本文提出了一种名为 SMA-DP-SGD（Spectral Memory-Aware Differentially Private Stochastic Gradient Descent）的新方法，旨在改进差分隐私深度学习中的效用问题。标准的差分隐私随机梯度下降（DP-SGD）通过对每个样本梯度进行裁剪并添加高斯噪声来保证隐私，但其高方差的更新会导致在困难数据集上的模型效用下降。SMA-DP-SGD 引入了一个基于历史私有化噪声释放的分数记忆分支，利用受 WeightWatcher 启发的谱幂律指数来提供分组层面的可靠性信号，并逐层实例化以调整衰减率和有效记忆深度。该方法通过私有历史对齐、范数匹配和预热激活来稳定记忆贡献。隐私保证是透明的：在给定私有释放历史条件下，记忆分支是固定的，唯一依赖于新数据的项是当前裁剪后的梯度之和乘以固定系数 β。因此，SMA-DP-SGD 保持了清晰的条件敏感度结构，并在 β=1 时精确恢复分组 DP-SGD。实验在 CIFAR-100、CIFAR-10 和 MNIST 上进行，结果表明该方法在多个差分隐私优化基准上取得了具有竞争力或更优的准确率，尤其在 CIFAR-100 和 CIFAR-10 上提升最大。CIFAR-10 的消融实验显示 β 控制着隐私-效用的权衡轨迹，谱和记忆诊断证实了可控的短至中等有效记忆深度以及较小的记忆分支占比。运行时分析表明，该方法在 CIFAR-10 实现中比 DP-SGD 增加了约 2.94 倍的开销，揭示了自适应私有记忆与计算成本之间的实际权衡。