本文为凸经验风险最小化问题提供了一系列不同的差分隐私算法，并同时给出了相应的下界，且不同的隐私模型需要使用完全不同的算法，这些算法在多项式时间内运行，并且适用于很多简单光滑的函数家族。

May, 2014

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

本文提出$f$-差分隐私，一种新的隐私松弛定义，避免了使用发散松弛的一些困难，并支持隐私定义的组合和代数推理。同时，作者通过介绍高斯差分隐私，一个基于测试两个移动高斯函数的$f$-差分隐私的单参数家族，并通过数学证明和计算机实验了演示工具，进一步完善并解决了隐私数据分析的问题。

May, 2019

本文提出了元素级差分隐私的概念，以更好地保护个人数据并维持数据分析的实用性；研究者提供了定义和分析，并开发了几种私人估计和学习方法，并在多种实际应用中进行了验证。

Dec, 2019

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

通过理论探索差分隐私强度参数epsilon对学习模型效用的影响，建立并提出了一种可以在任意epsilon值下对效用进行估计的实用方法，该方法在实验结果表现出高精度估计和广泛适用性，同时能够在保障隐私的前提下提供较强的效用保证。

Jun, 2022

本文利用分布式鲁棒优化技术，开发了一种机制设计模型，以实现最高准确度和隐私预选级别的非渐近和无条件最优性保证。

Apr, 2023

我们研究了差分隐私（DP）在核心机器学习问题线性最小二乘（OLS）上的应用，发现了ALS算法作为OLS问题的随机化解决方案能够提供更好的隐私和效用平衡，同时我们提供了ALS算法和OLS中标准高斯机制的第一个紧密差分隐私分析。

Sep, 2023

我们提供了一个新的算法框架，用于差分隐私估计一般函数，该框架根据底层数据集的难度进行动态调整。我们构建在先前的工作基础上，通过接近逆过程的数据集，即称为逆敏感性机制的指数机制选择一个输出的范例。我们的框架稍微修改了接近度度量，并提供了稀疏向量技术的简单有效应用。我们打破这个假设，以更自然地处理偏差-方差平衡，这也关键地允许我们将方法扩展到无界数据。考虑到这种平衡，我们提供了强有力的直觉和实证验证，表明我们的技术在与底层数据集的距离是非对称的情况下尤为有效。我们以$O(n)$的时间高效实现了这些问题，并通过实验证明我们的技术能够显著改进差分隐私估计。

Nov, 2023

本研究解决了差分隐私作为一种统计概念的理解和应用的不足，提出了通过假设检验的视角重新定义差分隐私的必要性。文章引入了$f$-差分隐私的概念，并通过表征定理扩展了现有的差分隐私定义，提供了一个统一的框架用于分析数据分析和机器学习中的隐私界限。研究发现，这种框架在私有深度学习和其他应用中显示出相较于现有方法的显著优势。

Sep, 2024