本文提出了一种新的用于保护数据隐私的方法，即使用贝叶斯推理本身提供对数据的私密访问，并利用后验采样来实现差分隐私和数据效用的平衡。同时，我们提出一般的差分隐私度量方法，使得适用范围更广泛，能够处理非 i.i.d 数据和非表格形式的数据集，并在套用路易斯界限法时得到更好的下界。
Jun, 2013
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
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
研究 Bayesian 数据分析中的隐私保护问题，提出基于 differential privacy 的通用隐私保护 Variational Bayes 框架，并介绍了如何对 binomial likelihoods 等非 CE 模型进行转换，从而进行隐私保护的推理计算。
Nov, 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 $eta$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。
研究使用贝叶斯优化调整机器学习模型的超参数，探讨如何在发布最佳超参数和分类器准确度时保护隐私，并使用差分隐私和平滑性保证来对实验结果进行保密。
Jan, 2015