差分隐私（Differential Privacy）是一种通过向数据或计算过程注入精心校准的噪声，使单条记录的加入或移除对输出结果几乎无影响的隐私保护技术。它被广泛视为当前隐私保护机器学习中理论最严谨、应用最广泛的标准框架，从联邦学习到大模型训练都在尝试引入。近期研究围绕如何在不破坏隐私保证的前提下降低噪声带来的精度损失展开，同时在更细粒度的隐私定义（如用户级、个人级）上取得理论突破。
差分隐私近期进展
差分隐私的当前焦点与观察点
当前差分隐私研究的核心张力仍是“隐私预算”与“模型效用”的权衡。近期工作的共同思路是精细化噪声的使用方式：无论是修正动量下的隐私会计、优化预算分配，还是通过私有过滤减少噪声规模，都在试图用同样的隐私成本换取更高的精度。
另一个值得关注的趋势是隐私粒度从“记录级”向“用户级”“个人级”演进，这与联邦学习和真实用户数据场景更贴合，但相应的收敛性和计算效率理论仍在完善中。应用层面，Google DeepMind 发布的 CALLIOPE 尝试在隐私保护约束下用 LLM 生成关键词构建主题树，效果优于嵌入聚类，说明差分隐私正从训练阶段扩展到数据分析与聚类等下游任务。此外，差分隐私也进入 RLHF 奖励估计等新领域，观察点在于这些理论成果能否落地为工程可用的训练管线。