本文提出 AdaPrivate-TS，一种结合了差分隐私与汤普森采样的上下文多臂赌博机算法。关键洞察在于，差分隐私噪声会以结构化方式膨胀后验协方差：向观测向量b添加高斯噪声N(0,σ²I)后，采样协方差变为v²A⁻¹ + σ²A⁻²，汤普森采样将此解释为不确定性增加而非纯粹的数据破坏，从而可以在不牺牲隐私的前提下更有效地进行探索。在事件级隐私（保护每次交互）和随机上下文的设定下，作者证明了隐私成本仅为O(√d log T / √ρ)，对T呈对数增长，因为批处理下的并行组合分散了噪声。此外，论文还探讨了通过泊松子采样实现隐私放大，在严格隐私预算下可降低有效噪声。实验在合成数据和真实数据集（MovieLens、Jester）上进行，结果显示：（1）在ε∈[0.5,5]时，AdaPrivate-TS达到非隐私场景93%-99%的性能，比UCB基线提升0.5%-3.7%，在极端ε下通过自适应探索可提升高达18%；（2）隐私放大在低ε下额外带来2%-5%的性能增益；（3）在MovieLens和Jester上，AdaPrivate-TS在事件级基线方法中整体最优，在ε≥2时占据主导；（4）当使用DP-SVD私有特征时，汤普森采样相比UCB的优势扩大到+11%，证实了“噪声即不确定性”不仅限于奖励隐私。论文提供了交互式zCDP组合下的严格隐私证明，并通过收敛曲线、12次随机种子的置信区间以及DP-SVD特征消融实验进行了全面评估。本研究成果对设计隐私保护下的在线学习算法具有重要参考价值。