研究了不同 ially private top-k 选择问题，提出了基于指数机制和差分隐私组合性质的解决方案，并证明了在高精度区域内，需要 n >= k ln（d）的数据集大小进行高在准的选择。此外，我们还证明了在高精度区域内，选择 k 个最大列所需的数据比估算那些 k 列的值所需的数据量更大。

Feb, 2017

本文介绍了一种 oneshot Laplace 机制，其广义化了著名的 Report Noisy Max 机制以报告有噪声的 top-k 元素，并使用一种新型的耦合技术证明了隐私，该技术对于大的 k 更为有效，并将高效的 top-k 选择应用于排名问题。

May, 2021

该研究提出了一个基于 “指纹” 方法的新的隐私保护选择问题下限界估算，并通过分析实际排除了一些标准假设。

Apr, 2017

本研究通过使用 Rényi DP 等现代数值隐私核算工具，提出了一种易于使用的方法来限制 ReportNoisyMax 和 PrivateTuning 的隐私特性，并在端到端的隐私学习实验中取得了显著的改进。同时，分析结果还指出了在特定领域中使用二项分布来随机化回合数可以获得更大的改进。

Feb, 2024

本论文介绍了一个新算法，用于计算隐私随机变量的数字组成，可用于计算机制的组合的准确差分隐私参数。该算法可以在多项式对数 (k) 的时间和内存使用情况下自我组合机制 k 次。该方法不仅适用于子采样高斯机制等广泛机制的分析，还可扩展至组合同类别别不同机制的情况，并改进了运行时间和内存使用率。

Jul, 2022

提供了一种快速算法，可以将差分隐私算法的隐私保证优化到任意精度，并使用隐私损失随机变量的概念来量化差分隐私算法的隐私损失，该算法可以加速隐私计算几个数量级同时保持类似的准确性。

Jun, 2021

本文考虑了在对候选项稳定性更弱的情况下，即评分函数是差分隐私的情况下的选择问题。我们提供了算法，在隐私、效用和计算效率等三个方面都是最优的。同时，我们还开发了在线版本和基于稀疏向量技术的通用性算法。这些算法在差分隐私机器学习中的超参数选择以及自适应数据分析中都有更好的表现。

Nov, 2018

我们研究了局部差分隐私约束下的假设选择问题，设计了一种使用较少样本的 ε- 局部差分隐私算法来选择假设，该算法的样本复杂度趋近于最优，并且通过定义关键查询的概念为统计查询算法提供了一种新的方法。

Dec, 2023

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

本研究研究以 Rényi 差分隐私为视角的 DP 组合，通过证明一个更简单的复合定理并提供小型常量，从而使其足够实用，以应用于 DP 深度学习中进行在线噪声或批处理大小调整以提高模型准确性，在固定的总隐私损失内以停止微调模型以减少总隐私损失的操作

Mar, 2021