差分隐私（differential privacy，DP）是一种通过向数据或模型训练过程注入可控噪声，来严格限制任意单条记录对输出结果影响的隐私保护框架，目前已成为联邦学习、大模型微调和数据发布等场景中应用最广泛的数学化隐私标准。近期研究呈现出两条主线：一是降低 DP 带来的效用损失、提升训练效率，二是让隐私保护本身变得可验证、可审计。
差分隐私近期进展
当前焦点与观察点
从近两个月的研究分布看，差分隐私的工作大致集中在三类问题。其一是效率优化，例如 DP-IVON-Gradsq（arXiv:2607.23649）探索二阶优化器在私有训练中的应用，SSTQ（arXiv:2608.05127）将隐私保护与向量量化结合以压缩通信。其二是合成数据路线，多篇工作（如 Private Generative Bootstrap、联邦学习中的协同合成数据生成）尝试用 DP 合成数据替代直接在私有数据上训练，把隐私成本一次性转移。其三是理论度量本身的重估，Predictability as a Fine-Grained Measure for Privacy 提出以可预测性作为更细粒度的隐私度量，质疑单一 ε 参数是否足以刻画真实风险。
值得关注的是，RING 攻击与可验证 DP 恰好构成一组对照：前者说明 DP 无法覆盖所有安全属性，后者说明 DP 的落地正在从「声明式」走向「可证明」。对实践者而言，接下来的观察点是外部可验证 DP 是否会从 Gboard 这类消费级产品扩展到更多隐私敏感场景，以及合成数据方法能否在严格的隐私预算下保持足够的模型效用。