本文提出一种实现高精度（ε，δ）-LDP （可保持个人数据隐私）的机制，分别针对多维数值数据和分类属性进行收集，实现了对数据的安全保护和更高的准确性，实验证明其在数据统计和机器学习模型中具有很高的数据实用性。

Jun, 2019

本文论述了 LDP（Local Differential Privacy）模型的隐私保护架构，包括模型、机理、应用场景以及未来研究方向，并比较了在不同数据分析任务中的应用，以达到保护数据隐私的目的。

Oct, 2020

本文针对 LDP 算法在隐私、统计计算和大数据等领域的应用，介绍了不同 LDP 算法在本地程序用户隐私保护、重要数据识别和空间数据收集等问题上的实现并探讨了其未来发展方向。

Jul, 2019

Harmony 是一种实用、准确和高效的系统，支持从智能设备用户收集和分析多维度数据以及应用于基本的统计学和复杂的机器学习任务，并满足本地差分隐私技术的要求，以解决数据收集可能引起的隐私问题。

Jun, 2016

自动决策系统在人们生活中的重要决策中越来越普遍地使用。由于操作数据的敏感性以及由此产生的决策，对这些技术的适当使用需要解决一些道德问题，特别是公平性和隐私保护。本文通过在多个敏感属性（即多维数据）存在的情况下研究本地差分隐私（LDP）对公平性的影响，提供了详细的实证分析。通过对合成数据集和基准数据集的详细实证分析，得出了相关的结论。最后，我们总结了我们的发现，并提出了一些建议，以指导从业者在保持公平性和实用性的同时采用有效的隐私保护措施。

Dec, 2023

本文提出了一个上下文感知的局部差分隐私框架，允许隐私设计者将应用程序的上下文纳入到隐私定义中。针对二进制数据域，我们提供了一种普遍最优的隐私方案，并且针对 $k$-ary 数据域，我们研究了两种特殊情况下的局部差分隐私。我们研究了离散分布估计，并提供了通信效率高、样本最优的方案和信息论下界。我们展示了使用上下文信息可以比经典局部差分隐私更少地使用样本来达到相同的准确度。

Oct, 2019

本文提出一种基于编码器 - 解码器框架的任务感知隐私保护方法，旨在使用任务相关的潜在用户数据表示来匿名化丰富的用户数据，实现最优解，较传统的隐私预算下注入噪声的方法显著提高任务准确性。

Oct, 2021

本文研究了使用 LDP 在学习问题中收集多个敏感属性对公平性的影响。作者提出了一种新的隐私预算分配方案，考虑了敏感属性的不同域大小，实验结果表明该方案在隐私 - 效用 - 公平性权衡方面优于现有解决方案。作者使用多个公平度量和七个最先进的 LDP 协议对三个基准数据集进行了广泛的实验研究，总体而言，结果挑战了不同隐私性在机器学习中必然导致公平性变差的共识。

Apr, 2023

本文研究了本地差分隐私模型下敏感统计信息的收集，提出了一种算法，其隐私成本与用户值的更改数量的对数成正比。通过匿名化用户报告，基于用户报告的匿名性，我们还展示了当以中心式差分隐私模型来看待时，我们的 LDP 算法的隐私成本实际上会更低。通过新的隐私放大技术，我们证明了任何置换不变的算法，满足 ε 局部差分隐私的同时，也会满足（O（ε sqrt {log（1/δ）/n）}，δ）中心差分隐私。作为实际的推论，我们的研究结果表明，几个基于 LDP 的工业部署的隐私成本会比它们宣传的 ε 值所表示的要低得多，至少是在报告经过匿名化的情况下。

Nov, 2018

本文研究了多方设置的本地差分隐私，并分析了系统模型和潜在对手，提出了新的算法和协议以在隐私和效用之间获得更好的平衡，并通过实验证明了我们提出的方法的好处。

Aug, 2019