本文研究了具有公共数据访问的私人分布学习问题，通过使用公共和私有样本来输出对分布 p 的估计，并满足纯差分隐私的隐私约束。结果显示公共-私有可学习性与样本压缩方案和列表学习的存在有关，并恢复了以前关于高斯分布和高斯混合物的结果，包括样本复杂性上界、自适应和分布转移抵抗学习的结果，以及广义公共-私有学习的闭合特性。最后，结果显示对于高斯分布在R^d中，至少需要d个公共样本进行私人可学习性，接近已知的d+1个公共样本的上界。