本文探讨了一种在k个步骤中随机均匀使用用户数据的采样方案，该方案在差分隐私优化和高维私有聚合中表现出优于标准泊松采样的效用。研究表明，随机分配的隐私损失分布可以高效计算，并且在训练DP-SGD时，其隐私效用权衡至少与泊松子采样相当。此外，本文开发了新的隐私损失核算工具，扩展了对子采样的准确核算。

DiffuCoder是一种新型去噪扩散大语言模型，专注于代码生成。研究表明，DiffuCoder在解码行为上与自回归模型不同，能够自主决定生成的因果性。通过新颖的采样方案coupled-GRPO，显著提升了代码生成性能，并减少了对自回归偏差的依赖。这项研究为扩散模型的生成机制提供了深入见解，并提出了有效的强化学习训练框架。