本文提出了一种通用可扩展的方法，用于在数据库上执行差分隐私聚合，即使个体可以与任意多个行关联，将其表达为关系代数操作符并在 SQL 引擎中实现，测试了 typial queries 在工业基准测试上的效用，并通过随机测试框架验证其正确性，描述了在实践中部署此类系统时学到的优点和缺点，并发布其核心组件作为开源软件。

Sep, 2019

本文提出了一种新的差分隐私机制，该机制支持对敏感数据库上通过一些关系代数计算的结果的线性统计量进行近似，并且支持不受限制的连接操作，其误差边界大致与查询的经验灵敏度成正比，对于任何一种子图，本文提供了能够实现节点差分隐私的第一种解决方案。

Apr, 2013

本文提出了第一个用于回答批量线性查询的实用差分隐私技术，即低秩机制 (LRM)，它适用于确切和近似差分隐私定义，并提供对 LRM 的实用性保证，同时提供如何根据用户的实用预期设置隐私参数的指导。与差分隐私下的最新查询处理解决方案相比，这种方法在真实数据上的大规模实验中表现出了更高的准确性。

Feb, 2015

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

本文从实践角度讨论差分隐私，提出一个基于公式的简单模型来平衡隐私保护和结果准确性之间的权衡，并使用该模型来选择关键参数 epsilon。研究表明，在一些情况下，差分隐私研究可以比非私密研究更加准确。

Feb, 2014

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

通过使用关联的高斯噪声和线性回归步骤，我们基于差分隐私机制的多项式对数组进行了矩阵突触连接和遗传差异，从而在线性查询的上下文中研究了准确性和隐私之间的权衡。

Dec, 2012

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

提出了一种实用的差分隐私算法，可以回答高维数据集上的大量查询，并将计算困难的步骤封装为一个简洁定义的整数规划问题，以实现高效的回答。通过在 Netflix 数据集上的实验，证明了该算法的精度和隐私性定理，并提出了比现有技术显著改进的方案。

Feb, 2014

探讨在三种模式下对不对称敏感数据集的查询差分隐私问题，证明这些模式不同，并且存在家族类的统计查询，在离线模式下可以回答指数级别的查询，而在线模式下只能回答很少的查询，同时也展示了一族搜索查询，在在线模式下可以回答指数级别的查询，但在调整模式下无法回答很多查询。

Apr, 2016