2026年3月10日，北京大学智能计算与感知实验实验室博士研究生苏鹏程同学作为第一作者身份投稿的论文“Decomposition-Based Optimal Bounds for Privacy Amplification via Shuffling”被IEEE S&P 2026录用。该论文的指导老师为智能计算与感知实验室程海波助理研究员与王平教授。

 洗牌模型（Shuffle Model）作为隐私保护研究的新兴范式，在差分隐私（DP）语境下扮演着连接中心化模型（Central Model）与本地模型（Local Model）的桥梁。通过对本地随机化输出执行匿名化（洗牌），该模型能在弱信任假设下实现显著的隐私放大效应。

针对单消息洗牌模型的隐私放大刻画，一系列里程碑式的工作（如 [EFM+, SODA19], [BBGN, Crypto19], [FMT, FOCS22]）奠定了理论基础。其中，Blanket 分解与 Clone 分解已成为该领域的基石技术：前者通过对特定机制的定制化分析导出精细界，后者则为所有LDP 机制提供了统一界。

本文提出了 General Clone 框架，刻画了所有基于分解的隐私放大分析方法，在理论上统一了上述两种主流分解技术，并证明了 Blanket 分解在所有分解方法中的最优性（Optimality）。此外，本文设计了基于快速傅里叶变换（FFT）的高效算法，实现了分解最优界的高性能数值计算，并得出了目前领域内最紧的数值结果。