本文提出了一种基于差分隐私的机制，以保证数据查询的数据隐私和查询效用之间的平衡。机制包含了每个可能的用户的期望最小化的代价函数，并且针对每个固定数量的查询和差分隐私级别，存在一种几何机制可以同时保证每个可能用户的最佳实用性，这是一种极强的实用性保障。

Nov, 2008

本论文利用差分隐私算法对分布式和流数据进行分析，通过学习全局数据模型并保障差分隐私，提出了三种分布式学习贝叶斯网络模型的新方法，并针对流数据中的用户密度估计问题，提供了用户级别的隐私保护算法和改进策略。

Jul, 2023

本文介绍差分隐私与最小 Rény 熵互信息相关性的模型，指出差分隐私可推出对互信息的限制，同时提供了一个在保持差分隐私的前提下产生最大随机值的方法.

Mar, 2011

利用高斯过程加噪点的方法，实现了对具有不同隐私级别的查询的差分隐私保护，可以应用于例如核密度估计，核支持向量机等在核希尔伯特空间中的函数。

Mar, 2012

本文从实践角度讨论差分隐私，提出一个基于公式的简单模型来平衡隐私保护和结果准确性之间的权衡，并使用该模型来选择关键参数 epsilon。研究表明，在一些情况下，差分隐私研究可以比非私密研究更加准确。

Feb, 2014

本文利用分布式鲁棒优化技术，开发了一种机制设计模型，以实现最高准确度和隐私预选级别的非渐近和无条件最优性保证。

Apr, 2023

使用互信息给出的等价隐私定义，揭示了差分隐私的 subtleties，证明了其强度介于 ε 差分隐私和 (ε,δ) 差分隐私之间，并证明了互信息替代差分隐私的优势在于其属性易于理解和验证，如合成定理。

Aug, 2016

提出一种放宽的隐私定义称为随机差分隐私 (RDP)，它要求将随机新观测值添加到数据库中对数据发布过程的输出产生较小的影响，并展示与差分隐私程序组合性质的类比、发布 RDP 直方图的方法以及 RDP 直方图比普通差分隐私直方图更准确的证明。最后，展示了函数发布在我们的隐私定义下的全局敏感度框架的类比。

Dec, 2011

提出了一种称为合理否认的准则来解决发布保护数据的问题，它提供一个形式化的隐私保证，即仅当一定数量的输入数据不可区分时，才可以发布输出记录，并且不依赖于对手的背景知识，合理否认机制可以生成具有差异隐私的合成数据，能保护数据隐私并保留所有原始数据的功能

Aug, 2017

本文讨论了机器学习和差分隐私之间的相互作用，即隐私保护机器学习算法和基于学习的数据发布机制，探讨了可以通过差分隐私进行学习的内容以及差分隐私算法的损失函数上限。同时提出了一些开放性问题，包括如何整合公共数据，如何处理私人数据集中的缺失数据，以及当观察样本数量任意增大时，是否可以实现差分隐私机器学习算法而无需牺牲相关算法的效用成本。

Dec, 2014