该论文提出了一种名为 ReBound 的差分隐私决策支持框架，旨在解决交互式查询中隐私预算浪费的问题。传统的差分隐私机制将每个查询视为独立事件，不记忆历史结果，导致重复或相关查询消耗过多隐私预算。ReBound 通过引入缓存结果复用机制，允许新查询利用先前查询的缓存答案，从而在保持形式化效用保证（如假阴性率和假阳性率界限）的前提下，降低或免除额外隐私成本。框架包含三个核心组件：一是多种细化类型（如边界调整、阈值修改、函数派生）的复用框架；二是缓存图结构，用于高效查找可复用的历史结果；三是协商机制，当请求的界限无法在当前预算内满足时，提供替代方案。实验表明，ReBound 能显著减少隐私预算消耗，同时维持查询准确性。该研究适用于数据发布、联邦学习等需要交互式查询且关注隐私保护的场景。