一次性差分隐私置信区间：基于重采样的新框架

研究者提出一种一次性构建差分隐私置信区间的框架，仅对最终重采样分位数加噪，而非对每次重采样的估计量分别加噪。在放回（m-out-of-n）采样下隐私成本仅与重采样次数 B 成对数关系，在无放回（子采样）下与 B 无关，避免了此前工作中的 √B 因子。该框架为子采样和 m-out-of-n 重采样提供非渐近高斯差分隐私（GDP）与效用保证，覆盖分位数和退化 U 统计量等估计量。