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

论文证明，私人发布用于大量查询的合成数据库是可能的，但仅针对离散领域，并提供了一种新的数据隐私概念：分布隐私。

Sep, 2011

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

本文介绍了用于两种基本高维学习问题的新型、计算有效和差分隐私算法：学习多元高斯分布和在布尔超立方体上学习乘积分布。我们的算法的样本复杂度几乎与这些任务的最优非隐私学习器的样本复杂度相匹配，表明隐私在这些问题上是几乎免费的。

May, 2018

本文提出了一种通用可扩展的方法，用于在数据库上执行差分隐私聚合，即使个体可以与任意多个行关联，将其表达为关系代数操作符并在 SQL 引擎中实现，测试了 typial queries 在工业基准测试上的效用，并通过随机测试框架验证其正确性，描述了在实践中部署此类系统时学到的优点和缺点，并发布其核心组件作为开源软件。

Sep, 2019

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

本论文介绍了一种新的算法，可在 ε 差分隐私下回答一组给定的范围查询，与竞争方法相比通常可以实现更低的误差。 我们的算法通过添加适应于输入数据和给定查询集的噪声来满足差分隐私，采用适合输入数据的方法对域进行划分并为每个桶估计计数以适应给定的查询集。由于算法的性能取决于输入数据库，因此我们在各种真实数据集上进行评估，表明我们可以在 “易” 和 “难” 数据库上实现数据依赖性的好处。

Oct, 2014

该研究提出了一种基于计数查询的线性组合方法，通过最优策略支持一组相关查询的答案，并对该策略的误差进行几何特征化并提出了优化方法，以应用于不同数据分析任务中的隐私保护。

Dec, 2009

该研究通过组合多项式权重方法和指数机制，实现不同隐私等级和计数查询下的差分隐私数据发布，并在实际数据集上进行了实证研究，结果表明该方法在误差和运行时间方面都优于以往的方法。

Dec, 2010

探讨在三种模式下对不对称敏感数据集的查询差分隐私问题，证明这些模式不同，并且存在家族类的统计查询，在离线模式下可以回答指数级别的查询，而在线模式下只能回答很少的查询，同时也展示了一族搜索查询，在在线模式下可以回答指数级别的查询，但在调整模式下无法回答很多查询。

Apr, 2016