有界空间的差分隐私分位数估计

基于摘要分析。本文研究大规模数据的分位数估计，提出兼顾差分隐私与强亚线性空间复杂度的算法，覆盖一次性输出和持续观测场景。主要贡献是将非隐私的确定性流式分位数摘要与隐私机制结合，并另提出适合估计多个分位数的直方图算法。 核心机制是在流式摘要条目上定义效用函数，据此实例化 exponential mechanism（指数机制），同时对摘要界定的区间进行隐私采样。作者报告：对于数据域 X 上长度为 n 的数据流，在单个时间点满足 ε-差分隐私时，基本机制可用 O(log(|X|/β)·log(αεn)/(αε)) 空间，以 1−β 的概率估计任意 α-近似分位数。这一保证属于摘要明确给出的单时间点协议，不能直接视为持续观测场景的同等保证；α-近似的精确定义、参数适用范围及持续观测下的隐私与误差界尚未验证。 作者报告已实现算法，并在合成数据与真实数据上开展实验。摘要未提供数据集名称、具体误差、内存开销或对照结果，因此尚不能量化其实际优势；实验协议、消融及统计信息尚未验证。复现需核对数据域表示、摘要构造、效用函数、区间采样方法与隐私预算分配，代码可用性亦尚未验证。 平台推测（待验证）：若 EEG 在线质量控制或幅值归一化需要保存分位数统计而非完整历史数据，该机制可能提供受空间约束的隐私统计方案，但它不是 EEG 解码方法。迁移依赖可明确界定的数据域和隐私保护单位；可复用流式摘要与隐私采样机制，需改造连续值离散化、通道统计及跨时间隐私预算。低信噪比、被试差异和小样本可能使隐私扰动显著影响阈值稳定性，样本级隐私也不能直接等同于被试级隐私。可先在固定划分的 EEG 数据上比较隐私与非隐私分位数摘要的误差、内存及阈值稳定性，明确保护单位后再评估效用；已有相关 EEG 工作尚未检索确认。