一群人的数据里可能同时挤着几个群体，就像通勤时间既有早高峰，也有晚高峰。只报平均数，会把这些结构抹平。这篇论文研究如何在保护个人信息的同时找到多个“峰”。差分隐私（differential privacy）会给计算加入校准过的随机性，让单个人是否参与不易被察觉；难点是噪声也可能把真正的峰遮住。
作者提出 DP-GRAMS。它借鉴均值漂移（mean shift）——让搜索点沿数据更密集的方向移动，直到抵达局部峰顶。最值得注意的是初始化：算法从公开网格多次出发，每选中一处候选区域，就压低其附近再次入选的机会，以覆盖不同峰的“山谷入口”；多个起点还共享相关噪声，从而在一次 差分隐私保证下联合发布结果。作者证明，在局部平滑、峰顶曲率和峰间分离等条件成立时，算法能以高概率找回全部总体众数，均方误差距其给出的理论最优下界仅差对数因子。论文还把方法延伸到众数回归和聚类；实验效果与权衡均为作者自述。