统计员的噩梦场景：n 个人，每人交来一叠 m 张抽签记录。你想猜出那只骰子长什么样，又不许知道任何一个人交了什么。藏的单位是人。整叠，一张都不许单独看。教科书差分隐私藏的是单条记录，这套设定一上来就改了规则——这也是它比普通 DP 难的地方：每人只交一张时，老办法加个拉普拉斯噪声就够优了，难度全部来自 m 大于 1。
结果里我最喜欢三个数。第一个藏在样本复杂度的 k/(α√m·ε) 这一项里：一个人交的答卷越多，隐私开销越小，m 张答卷换来 √m 倍的折扣。人多力量大，隐私账本上也成立。第二个是纯 DP 那笔额外的 k/ε 的税——换成近似 DP，δ 取到 2 的负 k 次方那么小，这笔税整个买断，总账掉回 Õ(k)。指数小的 δ，买断了主导项。
第三个数其实是一台机器。那台六度 sum-of-squares 估计器，压根是给另一个问题造的：一堆答卷里混进了坏批次，占比 η，得先把坏批次识别出来。这是 robust statistics 的老主线——Qiao–Valiant 2018 提出问题但只给了指数时间算法，Chen–Li–Moitra 2020 给过多项式时间版本。这篇把这台防骗子机器顺手接到了隐私归约上，作者说这是这类框架里头一回把 batch 级 robustness 转成 user 级 privacy 的多项式时间应用。一鱼两吃，鱼还挺大。
代价也交代得干净：SQ 下界证明，多项式资源抹不掉那个 √log(1/η) 因子，想抹掉得回到指数时间。效率的价格，恰好一个 √log。
最后送个考据彩蛋：arXiv 页面的标题其实是 Person-Level Privacy，Differential 这个词没出现，摘要里才用 DP 指称。71 页正文，SODA 2027 的完整版。理论论文能同时做到算法贴住信息论上限、下界把效率的价码标出来，闭环挺舒服的。