语言模型已在自然语言处理中无处不在，它们利用大量未标记的数据并为下游任务进行微调。但人们对这些模型生成的文本的准确性和可信度提出了担忧。

与此同时，差分隐私已成为一种框架，用于保护敏感信息，同时允许机器学习算法从中学习。然而，统计保证与实用性之间的权衡对许多应用都带来了挑战**。因此，这篇论文旨在开发平衡保证和实用性的技术，重点是提高生成模型的可靠性，同时保持其灵活性**。

首先，我们提出了一个框架，可以有条件地使用硬约束生成文本，允许用户事先指定某些元素，而留下其他元素供模型预测。通过促进交互式编辑和重写，此框架为用户提供了对生成文本的精确控制。 接下来，我们引入了在软约束下生成预测的共形预测方法，以确保统计的正确性。这些方法在保持高经验精度的同时，为文本生成产生有效的置信集。

最后，我们通过放宽差分隐私的保证概念到基于猜测的定义，探索数据发布中隐私与实用性之间的平衡。我们提出了一种基于学习的去识别化方法，解决了隐私保护的挑战，同时仍能有效地利用数据。我们提出的方法的有效性通过一系列任务得到了证明，包括文本填充、放射学报告生成和X光分类。这些任务展示了我们的技术在各种实际场景中的实用性。