几家工厂想一起改进工艺，又不愿交出各自的实验记录，于是只共享“怎么调模型”的信号。听起来数据没有出门，隐私就保住了。但这篇论文指出，攻击者仍可能从梯度——告诉模型参数往哪边调整的更新信号——反推出客户的观测位置。
作者提出 PACD-BO，让多个客户协作进行分布式贝叶斯优化：系统先用概率模型判断哪些区域更值得做下一次昂贵试验，再汇总各客户的梯度，学习可共享的经验。论文最值得注意的发现是，泄露风险会随搜索推进而加重。因为查询逐渐聚集到最优点附近，观测位置更集中，梯度反演攻击也更容易重建这些信息。换句话说，优化越接近成功，隐私暴露反而可能越明显。
作者还测试了任务级差分隐私：限制单个客户对更新的影响，并加入高斯噪声，让攻击者更难判断或还原其数据。不过保护越强，优化效率或效果所受影响也可能越大。论文据此提醒，“原始数据不出域”只是起点，协作系统还必须把共享更新本身纳入隐私设计。