该论文针对差分隐私（DP）对比学习中的效用退化问题展开研究。在标准的对比学习目标中，每个样本的梯度依赖于批次内所有其他样本，这种过强的样本间依赖性放大了DP噪声的影响，导致现有方法在保护隐私的同时严重损失模型效用。作者指出，有效的DP对比学习需要显式减少这种内在的样本间依赖。为此，他们提出了DP-GCL框架，通过限制组级贡献来结构化地约束梯度依赖。具体来说，DP-GCL将每个批次划分为若干不相交的小组，并将可用的负样本限制在组内，从而将梯度影响局部化并降低敏感性。为了补偿由此导致的负样本多样性损失，他们进一步引入了组内增强（intra-group augmentation），在不增加隐私成本的情况下生成额外的负视图。在八个数据集上的广泛实验表明，DP-GCL在实用的隐私预算下，在单模态和多模态对比学习任务中均持续提升了当前最优水平：与现有DP对比方法相比，图像分类准确率提升了5.6%，图像-文本检索准确率提升了20.1%。该工作为在隐私保护下学习高质量通用表示提供了新的思路。

本文提出一种隐私保护的衣物分类方案，用于实现安全的以 occupant 为中心的 HVAC 控制系统。尽管利用摄像头图像优化热舒适度已被广泛研究，但以往工作未考虑 occupant 图像的隐私保护。现有的隐私保护图像分类方法应用于此场景会导致严重的精度下降。作者引入基于 Vision Transformer (ViT) 的隐私保护分类方法，应用于衣物隔热估计。实验使用根据衣物隔热分类的 DeepFashion 数据集，结果表明：传统的基于像素的方法在加密图像上精度严重下降，而所提方案在所有类别上均保持高精度，与明文图像相比没有精度退化。该方法通过加密图像实现分类，同时保护了 occupant 的视觉隐私。

该论文针对审计专有数据语义属性时的隐私与透明矛盾，提出了一种名为“Agentic Witnessing”的框架。传统方法如零知识证明（ZKP）适用于精确代数约束，但难以验证定性、非结构化属性（如代码库中的逻辑）。该框架将验证从可证明执行扩展到可证明推理，由验证者、证明者和审计者三个智能体组成。验证者被允许提出有限数量的简单布尔问题（真/假），审计者（基于大型语言模型LLM）运行在可信执行环境（TEE）中，通过模型上下文协议（MCP）动态检查证明者的私有数据集，产生是/否结论并附加密审计记录：一条签名哈希链，将推理轨迹绑定到原始数据集和TEE的硬件信任根。论文在21篇同行评审计算机科学论文的GitHub代码库上演示了自动化工件评估，例如验证代码库是否实现了论文描述的系统。将源代码视为私有数据，验证了对应出版物中描述的五项高层属性。实验表明，这一TEE驱动的智能体审计机制能有效实现隐私保护监督，将定性验证与数据披露需求解耦。