本文针对差分隐私随机梯度下降（DPSGD）中隐私核算不严谨的问题进行研究。DPSGD通过在梯度上添加噪声并裁剪梯度来保护隐私，但这会导致模型效用显著下降且收敛缓慢。先前的工作，特别是差分隐私选择性更新与释放（DPSUR）算法，通过选择性更新部分梯度实现了较好的模型效用，但其隐私核算忽略了选择性释放机制引入的采样概率变化，从而削弱了隐私保证的严谨性。为了克服这一局限，本文重新评估了选择性释放机制的隐私分析，并提出了一种新算法——基于裁剪梯度的差分隐私选择性释放（DPSR-CG）。该算法通过严格的、新推导的隐私分析，在多个数据集（MNIST、CIFAR-10、IMDB和FMNIST）上进行了大量实验，结果表明DPSR-CG在保持严格隐私保证的同时，实现了卓越的模型性能。本文的核心贡献是修正了隐私核算缺陷，并提供了更高效的隐私-效用平衡方案。适合对差分隐私、机器学习隐私保护感兴趣的研究人员和工程师阅读。