提出了一种新的算法，用于发布对包括 k 路边际在内的非常大量的统计查询回答，该算法采用连续松弛的投影机制，使其在隐私数据集上回答查询并尝试找到最接近噪声回答的合成数据集，并通过不断适应地发现在其（松弛的）合成数据上具有高误差的查询，以达到节省隐私预算的目的，通过使用 ML 优化技术和工具，该方法在许多情况下优于现有算法。

Mar, 2021

提出了三种新的算法，用于构建差分隐私合成数据，且算法在最坏情况下具有差分隐私，通过理论分析和实证评估，确保准确性与隐私性。

Jul, 2020

提出了一种实用的差分隐私算法，可以回答高维数据集上的大量查询，并将计算困难的步骤封装为一个简洁定义的整数规划问题，以实现高效的回答。通过在 Netflix 数据集上的实验，证明了该算法的精度和隐私性定理，并提出了比现有技术显著改进的方案。

Feb, 2014

本文研究在保护差分隐私的情况下近似发布图割函数的问题，并在交互和非交互设置中提出了新算法，其中交互算法是通过重新审视关于数据库上发布差分隐私，近似答案的大量查询的问题来实现的，并给出了一个新的通用框架，在其中新的（高效）IDC 算法产生了新的（高效）交互式私有查询发布机制。非交互算法则是通过随机响应和 Alon 和 Naor 的基于 SDP 的，常数因子逼近割范数的非私有实现的算法来发布保密合成数据。最后，我们给出了一个基于 IDC 框架的约简，表明计算足够精确的秩 1 矩阵逼近的高效，私有算法将导致发布保密合成数据的改进有效算法。

Jul, 2011

研究了通过矩阵机制方法，针对支持一组特定数量的问题而调整的合成数据集，在差分隐私下生成合成数据的方法及其对解析一组线性计数查询的困难度的影响，发现查询量的难度与行列式物理特性相关。

Feb, 2012

研究了学习算法的隐私性问题，提出了差分隐私的概念，证明了任何可学习的概念类都可以差分隐私地学习，并提出了基于局部算法的隐私 PAC 学习器。

Mar, 2008

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

基于凸松弛的框架可以计算形式化的保证（证书），以满足特定预测的 ε=0 隐私保证，或者不依赖于可撤销请求的数据。验证为中心的隐私与撤销保证可用于增加用户信任度，提供针对某些成员推理攻击的鲁棒性的形式化证明，确定可能容易受攻击的记录，并增强当前的撤销方法。

Jun, 2024

我们采用差分隐私的框架研究了敏感数据分析的方法，通过将均匀采样步骤替换为私有分布估计器，我们改进了 Boedihardjo 等人工作的算法，并提供了离散和连续分布的计算保证，适用于多种统计任务。

May, 2024

通过利用公共数据来提高私人学习算法的性能，本研究提出了第一种具有计算有效性的算法，以确保在满足与私人样本相关的差分隐私的同时，当私人数据分布足够接近公共数据时也能保证学习效果，并且在函数类可非私密学习时可进行私人学习的证明。

Feb, 2024