本文研究两方差分隐私（two-party differential privacy）问题：双方各持一段长度为 n 的比特串，需要联合计算二者的汉明距离，并且双方必须输出相同的估计值。作者关注的是信息论意义（而非计算假设意义）下的隐私保证。经典结果存在一条明显的分界线：纯差分隐私下，任何信息论协议的错误下界为 Ω(√n)；强近似差分隐私下为 Ω(√n/log n)；只有当引入计算假设时，经典协议才能把误差降到 O(1)。论文提出量子协议，在 Klauck 提出的诚实、非抢占、消息保持（honest, nonpreemptive, message-preserving）模型中，仅用 O(n) 的量子通信量即可实现纯 ε 量子差分隐私（QDP），期望误差不超过 2/sinh ε + γ（对任意 γ>0）；对近似 (ε, δ) QDP，作者通过精确的曲棍球棒散度（hockey-stick divergence）计算得到更小的误差，并在 δ=o(1/n) 时仍保持 O(1) 与 Ω(√n/log n) 之间的分离。这意味着量子通信可在信息论层面达到经典只有在计算假设下才可获得的 O(1) 精度。核心技术构造包括一个受保护的相干往返（guarded coherent round trip）与一个等 Gram 刚性（equal-Gram rigidity）原理，用于阻止诚实参与方保留与输入相关的补充信息。作者还把该模型与更弱的“指定信道隐私”（该模型已存在精确的经典实现）以及“完全抗保留安全性”（该模型下仍可行测量后中止攻击）区分开来，从而论证：保持非正交量子消息本身构成一种可用于隐私保护的资源。

本论文研究差分隐私中的持续计数（continual counting）问题：数据流逐步到达，算法需要为每个时刻持续发布满足差分隐私的前缀和近似结果。二进制树机制（Binary Tree Mechanism, BTM）是该问题的标准算法，但自其提出以来，它在纯差分隐私（pure DP）下是否渐近最优一直是悬而未决的开放问题。作者解决了这一问题：对固定的 0 < ε ≤ 1，证明任意机制在最坏情况下的期望 ℓ∞ 误差下界为 Ω(log² n)，而平均逐坐标与最大逐坐标期望平方误差的下界为 Ω(log³ n)。这些下界对任意机制成立，即使在整条数据流提前全部已知（离线模型）的更强设定下也无法突破，因此并非算法能力不足所致。同一组下界在近似差分隐私（approximate DP）下依然成立，只要 δ ≤ n^(-c)（c 为任意固定正数）。由于实例化拉普拉斯噪声的二进制树机制恰好达到这些量级，论文由此确立了 BTM 在纯 DP 以及 δ ≪ 1/n 这一标准区间内的近似 DP 下均具有渐近最优性。证明技术上的核心是用一棵树上的有界指数得分（bounded exponential score）构造单一难分布，并对该得分作简单修改，便可以用同一框架同时导出上述三种误差度量的紧下界，避免了为每种度量单独构造对抗实例。该工作属于差分隐私理论与流式算法交叉方向的基础性结果，适合差分隐私理论研究者、隐私保护数据分析系统设计者以及关注流式统计机制选型的工程师阅读。

该论文研究的是差分隐私合成测度（differentially private synthetic measure）的效用上界问题，属于差分隐私与最优传输/高维统计交叉的理论工作。作者考虑最坏情况数据模型：给定 [0,1]^d 空间中的 n 个点，不假设数据来自任何采样过程或总体分布，目标是发布一个满足 ε-差分隐私的合成测度，并刻画其与经验测度之间的 1-Wasserstein 距离误差。方法上，作者沿用已有的 PrivTree 算法构造自适应二叉划分（adaptive binary partition），再对划分叶子的质量（leaf masses）进行隐私化释放，从而得到合成测度。论文的主要贡献有三点：其一，证明对 d≥2，合成测度的 1-Wasserstein 误差为 Õ_d((εn)^{-1/d})，与已知 minimax 下界相比在忽略对数因子意义下达到最优，说明在最坏情况模型下该误差率不可再本质改进；其二，对 d≥3 且 2<s≤d，若数据集在相关有限尺度 r 上的覆盖数不超过 A·r^{-s}，则期望误差可改进为 Õ_{d,s}((εn)^{-1/s})，即误差率由数据在有限尺度上的内在维度（intrinsic dimension）决定，而非环境维度 d，并且整个过程不需要显式恢复低维流形；其三，作者提出一种平移（shifting）技术，进一步消除了常数对环境维度 d 的指数依赖，使结果在维度较高时不至于因常数爆炸而失去意义。整体而言，这篇论文给出了隐私合成数据在 Wasserstein 度量下的接近最优误差刻画，并把速率从环境维度推进到内在维度层面，同时保持算法层面的简洁性（复用 PrivTree）。适合从事差分隐私理论、合成数据发布、最优传输与高维概率、以及隐私保护数据分析系统设计的读者阅读。