📊 statistics

Gaussian Differentially Private $e$ -values: Construction, Threshold Calibration, and Multiple Testing

यह शोध पत्र एक इष्टतम गॉसियन शोर तंत्र (Gaussian noise mechanism) और मल्टीपल टेस्टिंग के लिए एक पुनरावर्ती पीलिंग एल्गोरिदम (recursive peeling algorithm) को पेश करते हुए गॉसियन डिफरेंशियल प्राइवेट $e$ -वैल्यूज़ के लिए एक ढांचा स्थापित करता है, जो सामूहिक रूप से गैर-निजी बेंचमार्क के करीब सांख्यिकीय शक्ति को पुनः प्राप्त करते हुए कठोर फॉल्स डिस्कवरी रेट नियंत्रण को सक्षम करते हैं।

मूल लेखक: Qi Kuang, Bowen Gang, Yin Xia

प्रकाशित 2026-05-29

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Qi Kuang, Bowen Gang, Yin Xia

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक जासूस हैं जो लाखों सुरागों वाले एक विशाल रहस्य को सुलझाने की कोशिश कर रहे हैं। कुछ सुराग असली सबूत हैं जो अपराधी की ओर इशारा करते हैं, जबकि अधिकांश केवल 'रेड हेरिंग्स' (भटकाने वाले संकेत) हैं (झूठी चेतावनी)। आपका लक्ष्य बिना बहुत अधिक गलतियाँ किए असली सबूत ढूँढना है।

हालाँकि, एक पेच है: सुरागों में वास्तविक लोगों के बारे में संवेदनशील जानकारी शामिल है। यदि आप सुरागों को बिल्कुल वैसे ही जारी करते हैं जैसे वे हैं, तो आप अनजाने में किसी निर्दोष व्यक्ति के निजी विवरणों को उजागर कर सकते हैं—सिर्फ यह दिखाकर कि आपने किन सुरागों को देखा था। यह गोपनीयता (privacy) की समस्या है।

यह शोध पत्र इस रहस्य को सुलझाने और सभी के रहस्यों को सुरक्षित रखने के लिए एक नया टूलकिट पेश करता है। यह कैसे काम करता है, यहाँ सरल अवधारणाओं में दिया गया है:

1. "E-Value" (सुराग का स्कोर)

सांख्यिकी (statistics) में, केवल यह कहने के बजाय कि "यह संदिग्ध लग रहा है," शोधकर्ता e-value नामक चीज़ का उपयोग करते हैं। e-value को एक "संदेह स्कोर" के रूपकर सोचें।

यदि स्कोर कम है, तो सुराग शायद केवल शोर (noise) है।
यदि स्कोर अधिक है, तो यह मजबूत सबूत है।
महत्वपूर्ण बात यह है कि यदि सुराग वास्तव में नकली (null hypothesis) है, तो कई प्रयासों के दौरान इन स्कोरों का औसत कम (विशेष रूप से 1 के बराबर या उससे कम) रहना चाहिए।

2. गोपनीयता की समस्या (एक "धुंधला लेंस")

गोपनीयता की रक्षा के लिए, आप कच्चे स्कोर नहीं दिखा सकते। आपको उनके साथ "शोर" (random static) जोड़ना होगा, जैसे कि धुंधले कांच के माध्यम से सुरागों को देखना।

पुराना तरीका: आमतौर पर, लोग संख्याओं में बस रैंडम स्टैटिक जोड़ देते हैं। लेकिन यह एक ऐसे "संदेह स्कोर" में स्टैटिक जोड़ने जैसा है जो नकारात्मक नहीं हो सकता। यदि आप सावधान नहीं हैं, तो स्टैटिक एक वैध स्कोर को नकारात्मक संख्या में बदल सकता है (जिसका कोई अर्थ नहीं है) या औसत स्कोर को बहुत अधिक बना सकता है, जिससे खेल के नियम टूट जाते हैं।
शोध पत्र का समाधान: लेखकों ने इस स्टैटिक को जोड़ने का परफेक्ट तरीका खोज निकाला है। उन्होंने पाया कि सबसे अच्छा प्रकार का "धुंधला कांच" एक बेल कर्व (Gaussian distribution) के आकार का है। इस विशिष्ट आकार का उपयोग करके, वे रहस्यों को छिपाने के लिए पर्याप्त शोर डाल सकते हैं, बिना e-values के गणितीय नियमों को तोड़े।

3. "स्मार्ट थ्रेशोल्ड" (आवर्धक लेंस को एडजस्ट करना)

एक बार जब आप शोर जोड़ देते हैं, तो स्कोर थोड़े धुंधले हो जाते हैं। पुराना नियम था: "यदि स्कोर 20 से अधिक है, तो हम इसे एक खोज (discovery) मानेंगे।"

दोष: पुराना नियम बहुत अधिक सतर्क था। यह ऐसा था जैसे कहना, "आवर्धक लेंस (magnifying glass) से तभी देखो जब छवि बहुत स्पष्ट हो," जिसका अर्थ था कि वे कई अच्छे सुरागों को छोड़ रहे थे जो बस थोड़े धुंधले थे।
सुधार: लेखकों ने आवर्धक लेंस को फिर से कैलिब्रेट किया। क्योंकि वे जानते हैं कि शोर का आकार (बेल कर्व) कैसा है, वे थ्रेशोल्ड को थोड़ा कम कर सकते हैं। वे कह सकते हैं, "ठीक है, भले ही यह थोड़ा धुंधला हो, यदि यह 15 से ऊपर है, तो यह अभी भी एक वास्तविक खोज है।"
आश्चर्य: कुछ मामलों में (जब डेटा बहुत संवेदनशील नहीं होता है), यह "स्मार्ट" धुंधला तरीका वास्तव में गैर-निजी (non-private) तरीके की तुलना में अधिक वास्तविक सुराग ढूंढ लेता है! यह यह महसूस करने जैसा है कि एक थोड़ी धुंधली खिड़की, यदि आप जानते हैं कि धुंध कैसे वितरित है, तो आपको वे चीजें देखने देती है जो आप कुछ कम स्पष्ट देखने के डर से चूक जाते।

4. "पीलिंग" रणनीति (प्याज वाला दृष्टिकोण)

अब, कल्पना कीजिए कि आपके पास 10 लाख सुराग हैं। यदि आप गोपनीयता की रक्षा के लिए सभी सुरागों को एक साथ धुंधला करने की कोशिश करते हैं, तो शोर इतना बड़ा हो जाएगा कि कुछ भी दिखाई नहीं देगा। यह एक घास के ढेर में सुई को धूल के विशाल बादल में बदलने जैसा है।

पुराना तरीका: सब कुछ एक साथ धुंधला करें। परिणाम: आप कुछ भी नहीं पाते।
शोध पत्र का समाधान (Peeling): सभी सुरागों को एक साथ धुंधला करने के बजाय, आप सुरागों को एक-एक करके (या छोटे समूहों में) देखते हैं।
1. आप ढेर के शीर्ष पर झाँकते हैं ताकि देख सकें कि कौन से सुराग सबसे अधिक आशाजनक दिख रहे हैं।
2. आप केवल उन शीर्ष सुरागों को धुंधला करते हैं।
3. आप उन्हें ढेर से हटा देते हैं और प्रक्रिया दोहराते हैं।
सीक्रेट सॉस: शीर्ष पर बिना रहस्य लीक किए झाँकने के लिए, वे Gumbel noise (रैंकिंग के लिए उपयोग किया जाने वाला एक विशेष प्रकार का रैंडम शोर) नामक एक विशेष ट्रिक का उपयोग करते हैं। यह उन्हें हारने वालों के सटीक स्कोर को प्रकट किए बिना "विजेता" चुनने की अनुमति देता है। फिर, वे केवल विजेताओं पर भारी गोपनीयता ब्लर (privacy blur) लागू करते हैं।
परिणाम: वे अपने "प्राइवेसी बजट" को उन सुरागों के लिए बचाते हैं जो वास्तव में मायने रखते हैं, जिससे वे विशाल डेटासेट में वास्तविक संकेतों को खोजने में सक्षम होते हैं।

5. वास्तविक दुनिया का परीक्षण (DNA रहस्य)

लेखकों ने Genome-Wide Association Studies (GWAS) से जुड़े एक वास्तविक डेटासेट पर इसका परीक्षण किया। यह लाखों DNA स्निपेट्स को देखने जैसा है ताकि यह पता लगाया जा सके कि कौन से बीमारी (Systemic Lupus Eryteosmatosus) से जुड़े हैं।

परिणाम: जब उन्होंने पूरे DNA डेटा को एक साथ धुंधला करके गोपनीयता की रक्षा करने की कोशिश की, तो उन्हें शून्य लिंक मिले।
जीत: उनके नए "पीलिंग" (Peeling) तरीके का उपयोग करते हुए, उन्होंने बड़ी संख्या में लिंक खोजे, लगभग उतने ही जितने कि बिना गोपनीयता की रक्षा किए मिलते, लेकिन बिना किसी के व्यक्तिगत डेटा को जोखिम में डाले।

सारांश

यह शोध पत्र सांख्यिकीय जासूसी के लिए एक बेहतर "प्राइवेसी शील्ड" बनाता है।

यह गोपनीयता शोर के लिए परफेक्ट आकार (Gaussian) पाता है ताकि गणित न टूटे।
यह यह तय करने के लिए एक स्मार्ट नियम बनाता है कि क्या एक खोज मानी जाए, जिससे पहले खोई हुई शक्ति को वापस पाया जा सके।
यह एक पीलिंग रणनीति का आविष्कार करता है जो गोपनीयता सुरक्षा को केवल सबसे दिलचस्प सुरागों पर केंद्रित करता है, जिससे बड़े डेटासेट में "शोर" को सिग्नल को दबाने से रोका जा सके।

परिणामस्वरूप, यह संवेदनशील डेटा पर बड़े पैमाने पर विज्ञान करने का एक तरीका है जो पूरी तरह से निजी और आश्चर्यजनक रूप से शक्तिशाली दोनों है।

तकनीकी सारांश: गॉसियन डिफरेंशियल प्राइवेट ई-वैल्यूज (Gaussian Differentially Private e-values)

समस्या विवरण

आधुनिक बड़े पैमाने के सांख्यिकीय अनुमान (statistical inference) तेजी से संवेदनशील व्यक्तिगत डेटा पर निर्भर होते हैं, जिसके लिए कठोर गोपनीयता संरक्षण की आवश्यकता होती है। जबकि डिफरेंशियल प्राइवेसी (DP) एक मानक ढांचा है, इस शोध पत्र में संबोधित विशिष्ट चुनौती गॉसियन डिफरेंशियल प्राइवेसी (µ-GDP) के तहत वैध ई-वैल्यूज (e-values) का निर्माण करना है।

ई-वैल्यूज को निजी बनाने के मौजूदा तरीकों के समक्ष महत्वपूर्ण सीमाएं हैं:

योगात्मक शोर असंगतता (Additive Noise Incompatibility): मानक योगात्मक शोर तंत्र (additive noise mechanisms) उन गैर-ऋणात्मकता और इकाई-अपेक्षा (unit-expectation) बाधाओं का उल्लंघन करते हैं जो वैध ई-वैल्यूज के लिए आवश्यक हैं।
उप-इष्टतम गोपनीयता लेखांकन (Suboptimal Privacy Accounting): निजी ई-वैल्यूज पर पिछला कार्य (जैसे, सिस्लैग और मेस्क्विटा, 2026) $(\epsilon, \delta)$ -DP या रेनी डीपी (Rényi DP) के तहत कार्य करता है, जिसमें µ-GDP की सुदृढ़ संयोजन (composition) गुणों का अभाव है, जो बहु-चरणीय और अनुकूली विश्लेषणों के लिए पसंदीदा लेखांकन तंत्र है।
मल्टीपल टेस्टिंग में शक्ति की हानि (Power Loss in Multiple Testing): हजारों परिकल्पनाओं (hypotheses) को एक साथ निजी बनाने के लिए वैश्विक गोपनीयता बजट लागू करने से (जैसे, जीनोम-वाइड एसोसिएशन स्टडीज में) गंभीर शोर वृद्धि होती है, जिससे कमजोर संकेत छिप जाते हैं। पी-वैल्यूज के लिए मौजूदा अनुकूली पीलिंग एल्गोरिदम (जैसे, शिया और काई, 2023) इंडेक्स चयन के लिए गॉसियन शोर पर निर्भर करते हैं, जिन्हें लेखक तर्क देते हैं कि वे कठोर µ-GDP गारंटी प्रदान करने में विफल रहते हैं क्योंकि बढ़ते उम्मीदवार पूल के साथ गॉसियन वितरणों में चरम मानों (extreme values) का संकेंद्रण होता है।

कार्यप्रणाली

यह शोध पत्र µ-GDP ई-वैल्यूज के निर्माण और उपयोग के लिए एक व्यवस्थित ढांचा प्रस्तावित करता है, जो एकल-सांख्यिकी निर्माण से लेकर अनुकूली मल्टीपल टेस्टिंग तक विस्तृत है।

1. µ-GDP ई-वैल्यूज का कैनोनिकल निर्माण

लेखक स्थापित करते हैं कि ई-वेल्यूज को निजी बनाने के लिए गुणात्मक विक्षोभ (multiplicative perturbation) एक उपयुक्त तंत्र है, जो लघुगणकीय डोमेन (logarithmic domain) में योगात्मक शोर के अनुरूप है।

इष्टतम शोर वितरण: समरूपता और लॉग-कन्केविटी (log-concavity) की धारणाओं के तहत, लेखक सिद्ध करते हैं कि वह अद्वितीय शोर वितरण जो वैधता बनाए रखते हुए पूरे µ-GDP बजट का पूर्ण उपयोग करता है, वह गॉसियन है। विशेष रूप से, यदि $E$ एक गैर-निजी ई-वैल्यू है जिसकी संवेदनशीलता $\Delta = \sup |\log E(D) - \log E(D')|$ है, तो निजी ई-वैल्यू का निर्माण $E_{DP} = E \cdot e^{-\xi}$ के रूप में किया जाता है, जहाँ $\xi \sim \mathcal{N}(\tau, \Delta^2/\mu^2)$ है।
इष्टतम माध्य पैरामीटर: सांख्यिकीय शक्ति और अपेक्षित लॉग-ग्रोथ को अधिकतम करने और वैधता बाधा ( $E_{H_0}[E_{DP}] \le 1$ ) को बनाए रखने के लिए, माध्य पैरामीटर को $\tau = \Delta^2/(2\mu^2)$ पर सेट किया गया है। यह कैनोनिकल निर्माण का परिणाम देता है।

2. शोर-कैलिब्रेटेड थ्रेशोल्ड (Noise-Calibrated Thresholds)

मानक ई-वैल्यू परीक्षण तब अस्वीकार किया जाता है जब $E \ge 1/\alpha$ हो (मार्कोव की असमानता के आधार पर)। लेखक प्रदर्शित करते हैं कि जब शोर का वितरण ज्ञात हो, तो यह थ्रेशोल्ड बहुत रूढ़िवादी होता है।

शार्प थ्रेशोल्ड व्युत्पत्ति: शोर $\xi$ के ज्ञात गॉसियन वितरण का लाभ उठाते हुए, वे एक वैश्विक रूप से शार्प रिजेक्शन थ्रेशोल्ड $c^* < 1/\alpha$ व्युत्पन्न करते हैं जो स्तर $\alpha$ पर टाइप I त्रुटि नियंत्रण को सख्ती से बनाए रखता है।
पावर विश्लेषण: शोध पत्र एक एसिम्प्टोटिक विश्लेषण प्रदान करता है जो दिखाता है कि कम-संवेदनशीलता वाले शासन (low-sensitivity regimes) (छोटे $\Delta$ ) में, कैलिब्रेटेड निजी परीक्षण एक गैर-निजी बेसलाइन की तुलना में शुद्ध शक्ति लाभ (net power gain) प्राप्त कर सकता है। यह विरोधाभासी परिणाम इसलिए उत्पन्न होता है क्योंकि शोर द्वारा पेश किया गया यादृच्छिक बदलाव, उच्च संभावना के साथ, सीमावर्ती संकेतों के लिए प्रभावी निर्णय सीमा को कम कर सकता है।

3. एकत्रीकरण और संयोजन (Aggregation and Composition)

सामान्य एकत्रीकरण: यादृच्छिक निर्भरता के तहत एकत्रित निजी ई-वेल्यूज के लिए, मानक संयोजन प्रमेय लागू होता है, जिसके परिणामस्वरूप $K$ सांख्यिकी के लिए $\sqrt{K}\mu$ -GDP गारंटी प्राप्त होती है।
स्वतंत्र एकत्रीकरण: स्वतंत्र डेटासेट के लिए, लेखक दिखाते हैं कि निजी ई-वेल्यूज का गुणनफल काफी सख्त गोपनीयता सीमा, $\mu_{prod} \le \mu$ , को संतुष्ट करता है, जिससे $\sqrt{K}$ मुद्रास्फीति से बचा जा जा सकता है।

4. मल्टीपल टेस्टिंग के लिए अनुकूली पीलिंग एल्गोरिदम (Adaptive Peeling Algorithm)

बड़े पैमाने पर मल्टीपल टेस्टिंग में शक्ति की हानि को संबोधित करने के लिए, लेखक एक पुनरावर्ती ई-पीलिंग एल्गोरिदम (e-Peeling algorithm) पेश करते हैं।

डिकपल्ड सिलेक्शन (Decoupled Selection): गॉसियन arg-max चयन में निहित गोपनीयता रिसाव (जहाँ चरम मान केंद्रित होते हैं) को हल करने के लिए, एल्गोरिदम इंडेक्स निष्कर्षण को मान के निजीकरण से अलग (decouple) करता है।
- चयन चरण (Selection Step): सबसे आशाजनक परिकल्पना के इंडेक्स को चुनने के लिए गमल शोर (Gumbel noise) (Gumbel-max ट्रिक के माध्यम से) का उपयोग करता है। गमल शोर में "मैक्स-स्टेबिलिटी" होती है, जो यह सुनिश्चित करती है कि चयन की गोपनीयता लागत उम्मीदवारों की संख्या के बावजूद स्थिर रहती है।
- विक्षोभ चरण (Perturbation Step): चयनित ई-वैल्यू पर इष्टतम गॉसियन तंत्र लागू करता है।
अनुकूली आकार (Adaptive Sizing): पीलिंग आकार $s$ (चुने जाने वाले परिकल्पनाओं की संख्या) को गोपनीयता बजट के एक छोटे हिस्से का उपयोग करके निर्धारित करने के लिए एक अनुकूली प्रक्रिया प्रस्तावित की गई है, जो वास्तविक संकेतों को पकड़ने की आवश्यकता और शोर मुद्रास्फीति के जोखिम के बीच संतुलन बनाती है।
डाउनस्ट्रीम इन्फरेंस: आउटपुट निजी ई-वेल्यूज का एक वेक्टर है जिसे सीधे मानक ई-वैल्यू मल्टीपल टेस्टिंग प्रक्रियाओं (जैसे, e-BH) में फीड किया जा सकता है ताकि यादृच्छिक निर्भरता के तहत फॉल्स डिस्कवरी रेट (FDR) को नियंत्रित किया जा सके।

मुख्य परिणाम

सैद्धांतिक निष्कर्ष

इष्टतमता (Optimality): गॉसियन तंत्र को एकमात्र लॉग-कन्केव, सममित तंत्र के रूप में सिद्ध किया गया है जो ई-वेल्यूज के लिए सटीक रूप से µ-GDP सीमा को समाप्त करता है।
थ्रेशोल्ड कैलिब्रेशन: व्युत्पन्न शार्प थ्रेशोल्ड $c^*$ मानक मार्कोव थ्रेशोल्ड $1/\alpha$ की तुलना में शक्ति में सुधार करता है। एसिम्प्टोटिक विश्लेषण पुष्टि करता है कि कम संवेदनशीलता के लिए, निजी परीक्षण गैर-निजी बेसलाइन से बेहतर प्रदर्शन करता है।
गोपनीयता लेखांकन: शोध पत्र पिछले गॉसियन-आधारित चयन तंत्रों (विशेष रूप से शिया और काई, 2023 में) में एक दोष की पहचान करता है, यह दिखाते हुए कि वे बड़े उम्मीदवार सेटों के लिए µ-GDP को संतुष्ट करने में विफल रहते हैं क्योंकि गॉसियन एक्सट्रीम्स का संकेंद्रण होता है। प्रस्तावित गमल-आधारित चयन इसे ठीक करता है, जो मल्टीपल टेस्टिंग में अनुकूली चयन के लिए कठोर µ-GDP गारंटी प्रदान करता है।

अनुभवजन्य प्रदर्शन (Empirical Performance)

एकल परिकल्पना: सिमुलेशन पुष्टि करते हैं कि कैलिब्रेटेड थ्रेशोल्ड मानक निजी थ्रेशोल्ड $1/\alpha$ की तुलना में टाइप I त्रुटि नियंत्रण बनाए रखते हुए उच्च शक्ति प्राप्त करता है। कम-संवेदनशीलता वाले शासन में, शक्ति गैर-निजी बेसलाइन से अधिक होती है।
मल्टीपल टेस्टिंग (स्वतंत्र और सहसंबद्ध):
- "ऑल-नॉइजी" (All-Noisy) बेसलाइन (सभी $m$ परिकल्पनाओं को एक साथ निजी बनाना) नगण्य शक्ति प्रदान करती है।
- फिक्स्ड और एडैप्टिव पीलिंग दोनों ही ऑल-नॉइजी बेसलाइन की तुलना में काफी बेहतर प्रदर्शन करते हैं।
- एडैप्टिव पीलिंग एल्गोरिदम गोपनीयता बजट आवंटन को अनुकूलित करके फिक्स्ड पीलिंग की तुलना में लगातार बेहतर प्रदर्शन करता है।
- सभी विधियाँ यादृच्छिक निर्भरता के तहत लक्षित FDR ( $\alpha=0.05$ ) पर नियंत्रण बनाए रखती हैं।
वास्तविक दुनिया का अनुप्रयोग: सिस्टमिक ल्यूपस एरिथेमेटोसस (SLE) के एक GWAS डेटासेट ( $m \approx 6.2$ मिलियन SNPs) पर लागू किया गया, जहाँ ऑल-नॉइजी विधि ने शून्य खोजें (discoveries) पाईं। इसके विपरीत, पीलिंग एल्गोरिदम ने गैर-निजी खोजों के एक बड़े हिस्से को पुनः प्राप्त किया, जिसमें एडैप्टिव विधि ने बिना किसी मैनुअल ट्यूनिंग के फिक्स्ड-साइज़ दृष्टिकोण के समान प्रदर्शन किया।

महत्व और दावे

शोध पत्र का दावा है कि यह µ-GDP के तहत ई-वेल्यूज पर आधारित डिफरेंशियल प्राइवेट इन्फरेंस के लिए एक व्यापक ढांचा स्थापित करता है। इसका प्राथमिक महत्व निम्नलिखित है:

अंतराल को भरना: यह विशेष रूप से µ-GDP ढांचे के लिए तैयार किए गए ई-वेल्यूज का पहला व्यवस्थित निर्माण प्रदान करता है, जो जटिल, बहु-चरणीय विश्लेषणों के लिए मानक बनता जा रहा है।
शक्ति की रिकवरी: यह प्रदर्शित करता है कि रिजेक्शन थ्रेशोल्ड के सावधानीपूर्वक कैलिब्रेशन और अनुकूली पीलिंग के उपयोग से गोपनीयता शोर के कारण खोई हुई सांख्यिकीय शक्ति को पुनः प्राप्त किया जा सकता है, और कम-संवेदनशीलता सेटिंग्स में गैर-निजी बेसलाइन से भी बेहतर प्रदर्शन किया जा सकता है।
कठोर गोपनीयता गारंटी: गॉसियन शोर के चयन चरणों में विफलता की पहचान करके और उसे गमल शोर से बदलकर, यह शोध पत्र मल्टीपल टेस्टिंग में अनुकूली चयन के लिए पहली वैध µ-GDP गारंटी प्रदान करता है, जो पिछले साहित्य के तकनीकी अंतर को ठीक करता है।
व्यावहारिक उपयोगिता: इसे उच्च-आयामी वास्तविक दुनिया के सेटिंग्स (GWAS) में प्रभावी दिखाया गया है, जो वैज्ञानिक खोज के लिए डेटा को बेकार किए बिना कठोर गोपनीयता संरक्षण सक्षम बनाता है।

लेखक नोट करते हैं कि शिथिल (relaxed) गोपनीयता बाधाओं (सटीक समाप्ति के बजाय असमानता) के तहत गॉसियन तंत्र की इष्टतमता अभी भी एक खुला प्रश्न है, क्योंकि कम-संवेदनशीलता वाले शासन में जहाँ शक्ति लाभ देखे जाते हैं, वहाँ DP की मोनोटोनिसिटी अंतर्ज्ञान (monotonicity intuition) सख्ती से लागू नहीं होता है।