基于法律定义，本文介绍了数据最小化的优化框架，并使用多个优化算法来实现数据最小化，通过对合规性和用户隐私影响的全面评估，我们的分析强调了数据最小化的隐私预期与实际隐私利益之间的不匹配，强调了需要考虑现实世界隐私风险的多个方面的方法的需求。

May, 2024

通过数据泛化提出了基于垂直数据最小化的工作流，旨在训练和部署遵循数据最小化原则的机器学习模型，以减少数据泄露风险并保护客户隐私。提出了一种基于政策对齐的对抗场景量化方法，并设计了一种特别有效的垂直数据最小化算法。

Nov, 2023

我们探索和比较了隐私和披露限制的各种定义，在统计估计和数据分析中包括 (近似) 差分隐私、基于测试的隐私定义和对披露风险的后验保证。我们在定义之间给出了等价结果，揭示了不同形式隐私定义之间的关系。我们通过这些定义提供了最小化风险边界的推论视角，包括均值估计，分布支撑的估计和非参数密度估计。这些界限突出了不同隐私定义的统计后果，并为评估不同的披露限制技术的优势和劣势提供了第二个视角。

Dec, 2014

本文考虑在隐私、准确性和个性化之间的权衡，通过提供一种有效的顺序算法，确定在个性化背景下仅需披露小部分特征即可提供和利用敏感数据，并演示了在不同学习任务中，个体只需披露 10% 的属​性即可保持与全集的精度相同。

May, 2023

本文提出人机交互在法律上对算法系统的公平性、偏见与歧视、数据保护、透明度、自动偏见的减轻和理解以及处理后果的沟通等方面的作用。

Mar, 2018

本研究介绍和探讨了个性化隐私经济学，其中人们可以选择以持续或按需方式分享个人信息，以换取在网上服务质量方面的预期提高，并在网页搜索的情况下，制定了现实目标函数以实现效用和隐私的平衡，并通过一项规模较大的调查，评估了用户对隐私和效用的偏好。

Jan, 2014

该研究论文讨论了机器学习治理和预防算法危害的问题，以及如何应用 GDPR 监管。同时，介绍了信息安全领域中的模型逆推和成员推断攻击，并探讨了将某些模型合法归类为个人数据所涉及的不同权利和义务，以及这些措施的效用，并考虑了算法治理和监管的未来方向。

Jul, 2018

研究在数据即使隐私保护给定的情况下，隐私保证和结果统计估计器的效用之间的权衡，通过信息论和标准最小最大技术，提出本地隐私约束下统计速率的精确刻画，并提出新的隐私保护机制和计算有效的估计器，以实现界限。

Feb, 2013

通过收集健身数据集，进行相关的实证研究，并基于研究结果实现了建议系统，从而帮助用户更好地理解他们的隐私设置，从而更好地保护个人身份信息和表达个人伦理偏好，并实现了较高的准确性。

Apr, 2022

本文探讨了在重要领域（如辅助法律、银行、招聘和医疗抉择的学习模型），是否需要全部的输入特征才能在测试时返回准确的预测，并表明在个性化的环境下，每个人仅需要发布一小部分的这些特征就能保证系统准确度不受影响。研究显示，在一些学习任务中，个体只需提交不到总数据的 10％即可确保与使用完整信息的模型同样准确。同时，本文还提供了一个高效的序列算法来选择哪些属性应由每个个体提供。

Jan, 2023