一个县只调查了几十人，却要公布当地贫困率：样本本来就少，再为隐私加入噪声，数字可能更不准。这项研究考察小区域估计——让小样本地区借用其他地区和辅助资料的共同规律——能否少付一些精度代价。作者发现，发布 Bayesian Fay–Herriot 模型的一次后验抽样，也就是从数据与先验共同形成的结果分布中随机抽一个值，其内在随机性本身就能提供可量化的隐私保护，无须额外加噪声；前提是把方差分量视为固定值。
这种发布达不到最严格的纯差分隐私，但作者证明它满足 Rényi differential privacy 和 zero-concentrated differential privacy——两种允许精确累计隐私损失的形式。关键在于，一次后验抽样等于后验均值再加一份高斯随机扰动，扰动大小正是后验方差。对美国贫困率与华盛顿州吸烟率数据的应用显示，保护强弱更多取决于调查权重是否悬殊，而非样本量；模型的“收缩”，即让不稳定的小地区估计适度靠近总体规律，也会明显收紧隐私界限。作者还称，同时发布所有地区时的联合隐私代价，在这些应用中只比最暴露的单一区域高几个百分点。