差分隐私（DP）文本混淆的目标是通过扰动输入文本来提供严格的隐私保障，使得私有输出文本与原始文本在量化上不可区分。虽然词级扰动较为直观，但有意义的文本私有化通常需要在完整文档层面进行。近期研究为隐私预算分配奠定了理论基础，即如何将总体ε预算合理地分配到文本的各个组成部分。
来自慕尼黑工业大学的研究团队——包括Stephen Meisenbacher、Angelo Kleinert和Florian Matthes——在发表于PrivateNLP 2026的论文中，对DP文本混淆中的多种文本分解和预算分配技术进行了系统评估。该论文共22页，包含5张图和12张表格。研究团队测试了不同的文本分块方法（如按句子、段落或固定长度切分）与ε分配策略（如均匀分配、按长度比例分配等）的组合效果。实验结果显示，这些设计选择至关重要：即使在可比较的隐私预算下，不同方法的选择会导致结果出现显著差异。例如，某些分解方式结合特定分配策略能更好地保留语义，而其他组合则可能导致效用大幅下降。
该研究提供了可信的证据，表明通过优化DP混淆程序可以最大化经验性隐私-效用权衡。作者指出，未来的工作可以进一步探索自适应分解和预算分配策略，以应对更复杂的文本场景。这项研究为DP文本混淆的实际部署提供了重要指导，特别是在需要平衡隐私保护与文本可用性的应用中，如数据发布、人工智能训练中的隐私保护等。研究结果还表明，开发者应谨慎选择分解和分配方法，以根据具体应用需求调整隐私保障水平。