この論文は、プライバシーを厳格に守る「純粋差分プライバシー」（δ=0）の下で、複数の統計問い合わせを安全に公開するときの誤差が、予想されていた平方根スケールになることを示します。具体的には、データ集合の大きさをn、プライバシー強度をε、問い合わせの数をk、データ宇宙の大きさをTとすると、期待される最悪座標誤差（最大座標の平均誤差）は O(min(1, sqrt( log(2T)·log(2k) / (ε n) ))) の形で上限を与えられる、と主張します。これは既知の下限と一致するスケールです。問題は Nikolov と Ullman により提起されていました。

研究者たちはまず、選択のみを記録する「Private Multiplicative Weights（PMW）」のトランスクリプト（どの問い合わせが選ばれたかと符号だけを記録する記録）を出発点にしました。PMWは近年よく用いられる手法で、近似差分プライバシーの下では平方根型の誤差を出せますが、直接純粋差分プライバシーの解析をすると従来の立方根型の誤差になってしまいます。そこで論文は、PMWが生成する確率分布を「距離に応じて割引する尤度の包絡（エンベロープ）」に置き換えます。書き下すと、あるトランスクリプトωに対して ep_x(ω)=max_y e^{-(ε/2) d_H(x,y)} p_y(ω) という非正規化量を作り、それを正規化して出力分布とします。ここで d_H はハミング距離、p_y はデータ y 上の元のPMW確率です。この割引項により、近いデータへの尤度の増加を抑え、純粋差分プライバシーの点ごとの比率条件を満たします。

こうした改変が精度（ユーティリティ）を大きく損なわないことを示すために、いくつかの解析手法を組み合わせています。まず「尤度レベルのMaurey論法」と呼ばれる技術で、あるハミング球（距離R以内の全データ）に対する最大尤度を、小さな補助的PMW族の最大値で上から抑えます。近い球に対してはRényi（レニ）モーメントの境界で制御し、遠い球については直接の混合（ミクスチャー）境界で扱います。さらに、半径をプライバシー尺度1/εごとにまとめて（ブロック化して）解析することで、余分な1/ε因子が誤差に入らないようにしています。これらの見積もりにより、エンベロープ化による追加確率質量や、誤差に重み付けされた追加分が小さいことを示します。

本結果の意義は二点あります。第一に、純粋差分プライバシーと近似差分プライバシーの間に残っていた「平方根 vs 立方根」の上限差を埋めたことです。従来、純粋DPの既存手法は最悪で (logT·logk/(ε n))^{1/3} 型の誤差にとどまっていましたが、本論文は期待される最大誤差で平方根スケールを達成します。第二に、定理は情報理論的存在証明として与えられており、補助的に Lean 4 を使った機械検証が付されています。機械検証では有限構成の正しさや、決定的復号の後に純粋DPが保たれること、そして論文中の全領域での上限が確認されています。

重要な注意点もあります。まずこの機構は情報理論的な存在論的構成であり、トランスクリプト空間や最大化の対象は指数的に大きくなり得ます。したがって多項式時間で動く実装が得られるかは未解決です。次に、本稿が扱う誤差保証は「期待される最悪座標誤差（期待ℓ∞誤差）」に関するものであり、必ずしも高確率保証（確率1−δで小さい誤差）を直接与えるものではありません。最後に、論文の下限一致の主張は「標準的な高次元の非退化な状況（high-dimensional regimes）」での既知の下限に対応するものであり、特定のパラメータ領域外では別の振る舞いがあり得る点に注意が必要です。

全体として、この研究は純粋差分プライバシーの理論的限界に関する主要な未解決問題を解き、期待誤差の最良スケールを達成する情報理論的手法を提示しました。一方で、計算効率の問題や確率的保証の種類など、実用化に向けた課題は残されています。