论文针对差分隐私（DP）中多种曲线型隐私定义并存、选择不同定义会影响隐私分析与效用的问题，提出统一的信息论框架。作者考虑四类主流定义：两个方向性的 (ε,δ)-DP 隐私轮廓、假设检验权衡函数对，以及扩展隐私损失分布。对固定输出分布的有序对，论文证明这些对象之间存在信息等价：只要精确 Rényi 差分隐私（RDP）曲线在某阶数大于 1 时有限，RDP 曲线也加入该等价类。因此在这些温和条件下，选择不同定义只改变语义解释和计算需求，不改变隐私信息本身。相反，若对方向性隐私轮廓取最大值，或把 RDP 曲线压缩成单个零集中差分隐私（zCDP）参数，会丢失信息。作者进一步量化精确 RDP 曲线与其 zCDP 上界之间的信息损失，发现高斯噪声下损失为零，但高斯混合、拉普拉斯、离散高斯、泊松子采样高斯机制下通常为正，且损失随独立组合机制数量线性增长。实证上，在同等认证隐私水平下，保留完整 RDP 曲线而非 zCDP，可在类似美国社区调查规模的工作负载中将高斯混合噪声所需方差最多降低 45%；在 Fashion-MNIST 上泊松子采样的 DP-SGD 中，RDP 隐私会计师相比 zCDP 会计师可将测试准确率提高最多 8.73 个百分点。