本研究探讨了差分隐私随机非凸优化中寻找二阶静态点的问题，提出了一种基于高斯噪声注入的随机梯度下降框架。该框架通过模型漂移距离判断是否逃离鞍点，确保收敛到近似局部最小值。算法在分布式学习中应用，为异构数据环境中的DP-SOSP提供了正式保证，并通过实际数据集验证了其有效性。