本研究利用差分隐私方法进行小样本假设检验，以得出隐私参数、准确性参数和错误要求等信息，实现在保证样本大小和错误率时的差分隐私保护

Mar, 2017

本研究研究了不同隐私性的统计假设检验方法，包含常规与非参数检验方法，并使用特定于隐私数据的新型检验统计量，比较结果表明，我们的新型非参数检验方法在统计功效上有巨大改进。

Mar, 2019

本文提出了新的测试统计量，其渐近分布匹配经典（非私有）卡方检验的渐近性，可用于测试多项式数据参数是否属于低维流形，并在实证研究中优于现有统计量的噪声版本。

Oct, 2016

本文基于差分隐私的限制，提出了一个新的测试统计量 $F_1$，并展示了如何严格计算 $F_1$ 的参考分布，同时给出了一个计算准确 $p$- 值的算法。与先前的工作进行比较，在相同的效应大小下，新提出的测试仅需要 7% 的数据即可获得数量级的改进。

Mar, 2019

提出了一种差分隐私保护的假设检验方法，扩展了经典的非隐私保护排列检验到隐私保护场景，从而实现有限样本有效性和差分隐私的同时保证。通过引入基于核的测试统计量，提出了两种不同差分隐私保护的核测试方法（dpMMD 和 dpHSIC），具有简单易施行、适用于多种数据类型、在不同隐私保护模式下达到极小 - 最优动力的特点。经实证评估，在各种合成和实际场景下展现出竞争力，突显其实际价值。公开提供的代码有助于我们该方法的实现。

Oct, 2023

提出一种新颖的差分隐私贝叶斯假设检验框架，基于统计学中广泛采用的检验统计量的差分隐私贝叶斯因子，不需要模拟完整的数据生成过程，保持结果推理的可解释性，并提供一组足够的条件来确立在该框架下的贝叶斯因子一致性结果，通过多个数值实验证明了该技术的实用性。

Jan, 2024

研究在差分隐私条件下，如何通过相应的随机化测试方法区分分布 P 和分布 Q，以及有哪些测试方法对应最佳的样本复杂度，进而将这一结果应用于私有变点检测中，同时还讨论了算法稳定性对于检验假设的适用性及普适性。

Nov, 2018

本研究探讨在差分隐私的约束下的条件独立性检验，设计了两种基于广义协方差度量的私有 CI 检验以及基于 Candës 等人的条件随机化检验（在模型 - X 假设下），这是第一种适用于 $ Z $ 为连续型变量的私有 CI 检验。

Jun, 2023

本篇论文通过对差分隐私与统计假设检验的类比说明，探讨了一些满足以统计差异度量形式给出的隐私定义条件。研究发现这些条件有助于分析差异度量的可分辨性，并基于 Renyi 差异分析了差分隐私的一些扩展定义，并提出了改进的转换规则。

May, 2019

该研究提供了关于差分隐私下 k 个元素分布的标识检测和接近度检验的上下界。他们提出了一般框架以建立隐私统计任务的样本复杂度的下界，同时通过构建精心选择的先验概率来证明隐私算法的下界。

Jul, 2017