本文介绍了实际成员隐私的新概念，并分析了指数机制和高斯机制的参数。研究发现，较大的差分隐私参数对应较小的实际成员隐私参数，为从业者提供了选择差分隐私参数的指导。

该研究提出了新的下界来优化差分隐私算法在高维数据库上回答统计查询的样本复杂度，并提出了纯粹和近似的差分隐私算法。通过对比标准拉普拉斯和高斯机制在最坏情况下精度保证方面的样本复杂度，改善了对该问题的解决方法。