本文针对大规模机器学习场景下的差分隐私问题提出了一种通用、高效的私有草图（private sketch）方法。差分隐私通过严格的数学定义量化隐私与效用的权衡，但在实际应用中，通用算法运行缓慢（中等规模数据集可能需要数小时至数天），因此现有方法多为特定任务设计。本文提出的草图是一种紧凑的数据集摘要，支持回归、分类、密度估计等多种机器学习任务，其核心思想是将众多机器学习目标函数规约为核和（kernel sums）计算。草图利用局部敏感哈希（LSH）索引的随机列联表来估计核和，具有简单、可合并（mergeable）、单遍流式处理等特性，非常适合大规模分布式环境。实验表明，在包含6500万节点的Friendster图数据集上，该方法可在20分钟内完成单遍处理，而现有替代方案由于维度增长呈指数级缓慢，完全不可行。全面的实验评估显示，该方法的隐私-效用权衡与现有算法相当，但计算成本降低了一个数量级。预计该草图将在分布式、大规模机器学习设置中具有实用价值。