使用 Laplace 机制对数据进行隐私保护的方法效率与非私有后验推断相同，可用于敏感军事记录的时间序列分析，并具有隐私预算的有效利用优势。

Mar, 2016

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

该研究探讨了如何以差分隐私的方式将贝叶斯推断的结果传达给第三方，共提出了四种不同的算法，包括两种向后验参数直接添加噪声以及将噪声添加到后验参数的傅里叶变换中以保持更新一致性的机制，一种基于后验采样的机制以及一种最大后验概率机制，并在实验中涵盖了贝叶斯朴素贝叶斯和贝叶斯线性回归的应用及图结构对隐私影响的新型隐私和效用敏感性分析。

Dec, 2015

本文提出了 $eta$D-Bayes，一种从广义后验分布中采样的私有估计方法，旨在最小化模型与生成数据过程之间的 $eta$- 差异，并且为同等的隐私保护提供更精确的推断估计；通过对神经网络等复杂分类器和连续回归模型进行后验采样，同时也实现了相应的差分隐私估计。

Jul, 2023

提出了基于贝叶斯的差分隐私方法，并实验表明基于样本数据分布的隐私保护方法比传统方法更实用有效。

Jan, 2019

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

本文针对使用 Renyi 差分隐私（RDP）定义时的数据隐私问题，特别是在指数族和特定广义线性模型 (例如：逻辑回归) 的采样中，利用先验分布减轻个体数据点的影响，提出了新颖的 RDP 机制，并为现有方法提供了新的 RDP 分析，以增加 RDP 框架的价值。每种方法都能够实现任意的 RDP 隐私保障，并提供其有效性的实验结果。

Oct, 2017

本文提出一种差分隐私变分推理方法，该方法基于双重随机变分推理，并通过剪辑和扰动梯度来加入差分隐私，并通过子采样来增加隐私保护的效率。该方法在强隐私保证下的准确性接近于非私密级别，是以前基于抽样方法的替代品的明显改进。

Oct, 2016

在该研究中，我们提出了基于模拟的隐私保护数据集推理方法，利用神经条件密度估计器近似后验分布，纠正隐私保护机制引入的偏差，并展示了隐私与效用之间的权衡的必要性和可行性。

Oct, 2023

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