在线查询的差分隐私代价
本研究提出了两个结果，第一个结果说明了在 Kearns' SQ 模型中，对一组统计查询 C 生成错误率较小的所有答案需要的统计查询次数是对偶学习复杂度；第二个结果能高效地解决问题，只要能够通过子模函数描述 C 的答案集。这两个结果对隐私保护数据分析产生了积极的应用，使其得到了重大进展。
Nov, 2010
该研究通过指定参数delta来构建一个全新的下界，从而优化（epsilon，delta）差分隐私算法在高维数据库上精确回答统计查询的样本复杂度。除了新的下界之外，该研究还提出了纯粹和近似的差分隐私算法，用于回答任意统计查询，并通过对比标准拉普拉斯和高斯机制在最坏情况下精度保证方面的样本复杂度，改善了对该问题的解决方法。
Jan, 2015
通过差分隐私和稳定学习理论的显式连接，提出了一种更好的隐私/实用性权衡方法，以便为所有凸型Lipschitz有界学习任务获得更好的权衡，并将其应用在医疗数据上，以获得更准确的模型。但改进后的隐私机制使得不同隐私机制更容易受到模型反演攻击的影响。
Dec, 2015
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
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
本研究提出了一种类别的局部差分隐私机制，用于线性查询（尤其是范围查询），利用相关输入扰动来同时实现无偏、一致、统计透明，并通过准确性目标（可以是特定查询间隔或由分层数据库结构表示）对效用要求进行控制。所提出的级联抽样算法精确且高效地实例化了该机制。我们的界限表明，我们在获得近乎最优效用的同时与输出扰动方法在经验上具有竞争力。
Feb, 2024