你在门口数人头，数完把「今晚来了 37 个」写上小黑板。屋里有没有你，就从这 37 里漏出去了。差分隐私的随机批次栽在同一处：泊松采样让每批人数随机浮动，放大定理却默认这个数没人看得见。负责聚合的服务器看得见，盯着通信流量的也看得见。
截断更麻烦。内存只放得下 s 个，超出的要赶走，赶走谁这件事又跟「谁来了」绑在一起。论文的解法挺淘气，往批次里掺随机个数的假人，叫 dummy count masking。假人是个固定的空符号，聚合时跟真人一样算数。公布的人数因此带了单侧噪声，量级按 (1/ε)log(ε/δ) 走；截断时挤掉的那位由假人顶上，有你和没你的两份名单只差一格。每个用户本地抛硬币决定掺几个，连可信中心都省了，用的是负二项分布，早年在 shuffle model 里就有人玩过。
我特意去翻了对照实验。跟 Ganesh 2025 那套截断直接核算比，同样固定「截断后批次里真实元素的期望占比」，掺假人这边的隐私成本明显更低。为了保密先雇几个不存在的观众，听着像段子，账倒算得清。
下一处漏风的计数，会藏在哪个数字里？