本文提出一种算法来解决在不同隐私偏好的用户条件下的均值估计问题，并发现在两组用户具有不同隐私级别的情况下，该算法是最优的。当一个群体的隐私要求得到放宽时，会出现一个饱和现象，即进一步放宽该群体的隐私要求并不能改善估计器的性能。因此，中央服务器可以在不影响性能的情况下提供一定程度的隐私保护。
Apr, 2023
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
本文介绍了一种新的本地差分隐私技术，可以在时间上保持最新的统计数据，隐私保证仅随基础分布变化次数而衰减，而不是收集周期次数，其中提供了使用频率和重量估计的应用程序。
Feb, 2018
研究统计隐私的目标之一是构建一个数据发布机制，它可以在保护个人隐私的同时保留信息内容。本文从统计角度考虑差分隐私，研究满足差分隐私要求的数据发布机制，并比较它们的收敛速度。研究表明，指数机制的准确性与经验分布在真实分布周围集中的概率密切相关。
Nov, 2008
在这项工作中，我们提出了一个简单的异构用户数据模型，允许用户数据在分布和数量上存在差异，并提供了一种在保持用户级差分隐私的同时估计总体均值的方法。我们证明了我们的估计量的渐近最优性，并证明了在我们引入的设置中可以实现的错误的一般下界。
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。
通过比较差分隐私和 l - 多样性数据的准确分类器推断私人属性，研究发现即使采用差分隐私，也能够推断出个体的隐私属性。
Nov, 2010
该论文研究差分隐私中个体隐私偏好对均值估计的影响，并提出了一种接近线性运行时间且极小化的算法，结果表明最严格隐私要求的用户决定了整体误差率，其他隐私偏好较低但不同的用户将获得超过需求的相等隐私保护，而估计器性能不受影响。
Oct, 2023
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
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