2020年美国人口普查局采用了差分隐私技术保护数据隐私，通过向发布的普查表格注入整数值高斯噪声来实现。准确评估这些数据发布的隐私保证，可以使普查局确定满足给定隐私预算所需的最小噪声量，避免注入不必要的过多噪声，从而显著提高下游应用（如联邦资金分配和政治选区重划）中数据的统计效用。本文提出了一种计算高效且数学严谨的求积方法，用于在异构离散高斯机制的组合下评估实际大规模普查数据的精确隐私配置。数学上，该问题归结为在极其严格的数值误差容限（例如10^{-35}）下，评估从异构离散高斯分布采样的整数值随机变量的高维卷积的尾概率。通过离散傅里叶变换将精确隐私核算重新表述为数值积分问题，作者明确利用了梯形法则对复解析周期特征函数的指数收敛性。此外，为了克服在高维中评估高度振荡被积函数的计算瓶颈，他们开发了一种筛子算法，用于识别并修剪可忽略的求积节点，将计算速度提高了三个数量级。这些数值创新共同实现了针对2020年人口普查住房和人口特征文件的首次精确、无假设的隐私核算，在保持普查规定的误差容限的同时，比先前方法实现了1824倍的加速。