多階段抽樣技術 (MUST) 可以作為一種隱私增強方法，在差分隱私的框架下，透過多階段的子抽樣過程，在不損害資料效用的情況下，提升隱私保障，並可能提升計算效率。
本文提出了一種基於蒙地卡羅方法的隱私放大技術，用於分析和優化基於矩陣機制的差分隱私機器學習演算法，並在不限制相關矩陣結構的情況下實現了近似精確的隱私參數計算。
