本文解决了自适应数据分析（ADA）和对抗鲁棒的转盘流两大开放问题。我们提出统一的层次估计‑校正‑学习框架。对于任意域的自适应查询，构造随机机制在 $k$ 次自适应统计查询中以加性误差 $\alpha$ 给出答案，只需 $\tilde{O}(\frac{\sqrt{k}}{\alpha} + \frac{1}{\alpha^2})$ 条样本，几乎匹配 Hardt 与 Ullman 的下界，并优于 Dwork 等人的 $\tilde{O}(\frac{\sqrt{k}}{\alpha^2})$。若域大小有限 $|U|$，结合私有乘法权重，可将样本复杂度提升到 $\tilde{O}\!\left(\frac{1}{\alpha^2}+ \min\!\left(\frac{\sqrt{k}}{\alpha}, \frac{\sqrt{\log |U|}}{\alpha^2}\right)\right)$。
在此基础上，我们构造固定线性 sketch 并配合有状态解码器，能够以 $\tilde{O}(\frac{1}{\epsilon^2})$ 位空间回答约 $\tilde{O}(\frac{1}{\epsilon^2})$ 条自适应 $F_2$ 瞬时估计查询，误差在 $(1\pm\epsilon)$ 乘法因子内。进一步将该 sketch 嵌入二叉树递归，得到首个几乎空间最优的对抗鲁棒 $F_2$ 估计算法，空间仍为 $\tilde O(\frac{1}{\epsilon^2})$，显著改进 Gribelyuk 等人的 $\tilde{O}(\frac{1}{\epsilon^4})$，并与仅插入模型的 Woodruff 与 Zhou 的上界持平。结果表明，在转盘模型中实现对抗鲁棒性不需要额外的 $\epsilon$ 相关空间开销。
点评：该工作通过统一框架同时突破 ADA 与对抗流算法的样本/空间下界，提供了理论上几乎最优的解法，对后续隐私‑鲁棒流计算具有重要指导意义。