本文介绍一种新的机器学习算法，称为随机梯度马尔科夫链蒙特卡罗（SG-MCMC），可在不牺牲隐私的情况下提高算法的准确性。该算法是在差分隐私框架下提供了一个简单和优雅的解决方案来保护训练数据的隐私，并且比现有算法具有更好的性能。

Dec, 2017

通过分布式算法，本文提出了一种隐私保护的方法来发现用户生成数据流中的高频数据，并探讨了隐私和效用之间的平衡，实验证明方法不仅具有良好的效用而且达到了强隐私保障。

Feb, 2019

研究如何使用 Laplace 机制以不确定的理论基础为代价，在一个期望极大化框架内，通过使用集体图模型的形式化方法对真实充分的统计数据进行推理，以解决学习离散的，无向的图模型的问题，以在合成数据和真实的人员流动数据案例研究中获得比竞争方法更好的模型。

Jun, 2017

该研究提出了首个用于私有网络中寻找最密子图的差分隐私算法，并展示了该算法在实际网络中隐私和准确性之间的权衡。

May, 2021

在本研究中，我们考虑了一种本地模型，提出了使用局部差分隐私的子图计数算法，包括三角形计数和 K 星计数，并证明了另一个轮可以显著提高效用，在实验中表明可以在局部差分隐私模型中准确估计子图计数。

Oct, 2020

本文提出了一种利用遗传算法挖掘多样化频繁模式集的快速启发式搜索算法，采用相对编码方案和有效的双胞胎去除技术来确保搜索结果的多样性，该算法在标准基准测试中优于现有方法并能够在短时间内产生令人满意的结果。

Jul, 2015

通过图发布者机制，我们提出了一种新颖的图边保护框架 (GraphPub)，既可以保护图拓扑结构，又能基本不改变数据的可用性，通过逆向学习和编码 - 解码机制，搜索一些对节点特征聚合没有太大负面影响的假边，并使用它们替换一些真实边，从而实现对图数据的发布，难以区分真假数据，实验证明我们的框架在隐私预算极低的情况下实现了接近原始图的模型准确性。

Feb, 2024

本文提出了一种针对图中任意形状节点簇的差分隐私聚类算法，该算法仅使用在权重差分隐私约束下释放的近似最小生成树作为输入，并通过最优剪切方法从中成功恢复底层的非凸聚类分区。与现有方法不同，我们的算法在理论上得到了很好的支持，并且实验证实了我们的理论发现。

Mar, 2018

本文提出了一种使用差分隐私技术保证贝叶斯学习个体隐私安全的算法，采样自后验分布得出的估计符合要求，同时随机梯度下降方法也可以达到类似效果，是较好的解决贝叶斯学习隐私问题的方法。

Feb, 2015

通过在真实和合成数据集上不同隐私水平下进行隐私 - 效用权衡和通过成员推断攻击进行审计，从医疗领域的人口图中启动对不同 ially 静态图神经网络的经验调查。我们的发现强调了此特定 DP 应用领域的潜力和挑战。此外，我们通过显示图同质度的程度与训练模型准确度之间的相关性，发现底层图结构构成更大性能差距的潜在因素。

Jul, 2023