分布式聚合协议（DAP）允许在不泄露个人数据的情况下进行数据聚合，但可能泄露敏感信息。差分隐私（DP）是一种为安全聚合系统提供额外数据保护的统计框架，通过向聚合结果添加噪声来防止攻击者获取过多信息。将DP与DAP结合可以增强实际测量任务的隐私保证。

本文研究了机器学习系统中的信息流控制，利用元数据确保隐私和机密性。通过比较微调模型和检索增强模型，证明检索增强架构具有最佳效用、可扩展性和灵活性。