本文介绍了如何使用大致差分隐私的泛化特性来进行自适应假设检验，并给出统计上有效的p值校正方法。研究表明，当算法满足$(\epsilon, \delta)$-差分隐私且输入来自于一个乘积分布时，它们具备有界的大致最大信息，并且这种连结只适用于乘积分布输入，而不适用于离散分布输入。

Apr, 2016

本文探讨了“浓缩差分隐私”的概念，将其用Renyi散度重新构建，得到更为精确的量化结果，并探讨了一些相关问题。同时，本文还通过给出“近似浓缩差分隐私”的定义，将这种方法与“近似差分隐私”相统一。

May, 2016

本研究利用差分隐私方法进行小样本假设检验，以得出隐私参数、准确性参数和错误要求等信息，实现在保证样本大小和错误率时的差分隐私保护

Mar, 2017

该研究提供了关于差分隐私下k个元素分布的标识检测和接近度检验的上下界。他们提出了一般框架以建立隐私统计任务的样本复杂度的下界，同时通过构建精心选择的先验概率来证明隐私算法的下界。

Jul, 2017

本文针对使用Renyi差分隐私（RDP）定义时的数据隐私问题，特别是在指数族和特定广义线性模型(例如：逻辑回归)的采样中，利用先验分布减轻个体数据点的影响，提出了新颖的RDP机制，并为现有方法提供了新的RDP分析，以增加RDP框架的价值。每种方法都能够实现任意的RDP隐私保障，并提供其有效性的实验结果。

Oct, 2017

研究在差分隐私条件下，如何通过相应的随机化测试方法区分分布P和分布Q，以及有哪些测试方法对应最佳的样本复杂度，进而将这一结果应用于私有变点检测中，同时还讨论了算法稳定性对于检验假设的适用性及普适性。

Nov, 2018

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

提出了一种差分隐私保护的假设检验方法，扩展了经典的非隐私保护排列检验到隐私保护场景，从而实现有限样本有效性和差分隐私的同时保证。通过引入基于核的测试统计量，提出了两种不同差分隐私保护的核测试方法（dpMMD和dpHSIC），具有简单易施行、适用于多种数据类型、在不同隐私保护模式下达到极小-最优动力的特点。经实证评估，在各种合成和实际场景下展现出竞争力，突显其实际价值。公开提供的代码有助于我们该方法的实现。

Oct, 2023

提出一种新颖的差分隐私贝叶斯假设检验框架，基于统计学中广泛采用的检验统计量的差分隐私贝叶斯因子，不需要模拟完整的数据生成过程，保持结果推理的可解释性，并提供一组足够的条件来确立在该框架下的贝叶斯因子一致性结果，通过多个数值实验证明了该技术的实用性。

Jan, 2024

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