本文提出了使用差分隐私的 Alternating Direction Method of Multipliers（P-ADMM）算法，使得在分布式机器学习中每个本地数据集与邻近代理交换计算结果的迭代过程中保持数据隐私不泄露，并证明这一算法与非私有算法有着相同的收敛率，实验结果表明 P-ADMM 在现有的基于 ADMM 的差分隐私算法中表现最佳。

Jan, 2019

本文提供了 DP-ADMM 算法，它结合了近似增广拉格朗日函数和时间变化的高斯噪声添加，以在相同的不同隐私保证下，实现更高效的一般目标函数的分布式学习，同时应用矩 accountant 方法来限制端到端的隐私损失。DP-ADMM 算法可以用于更广泛的分布式学习问题，具有可证明的收敛性和明确的效用 - 隐私权衡，并且可以实现高的收敛性和模型精度。

Aug, 2018

为了解决分布式计算过程中数据隐私泄露的问题，提出了一种基于改进的 ADMM 算法的扰动方法，可同时提高实用性和隐私性，并得到收敛性条件和收敛速率下界。

Jun, 2018

本研究提出了一种基于不同隐私的分散式深度学习方法，该方法对协作学习的数据进行隐私保护，保障节点之间数据的安全交换。实验结果表明，在稀疏图和不均匀数据分布下，不同隐私梯度跟踪具有抗干扰性，并且可在不向其他代理共享原始数据的情况下学习高准确性模型。

Jun, 2023

本文提出了一种用于处理分布式学习中固有分布或纵向分区的特征的风险最小化方法的 ADMM 共享框架，介绍了新颖的差分隐私 ADMM 共享算法，并通过精心设计的噪声扰动对隐私保证进行了约束，其实验结果表明所提出的 ADMM 算法具有高效的收敛性和鲁棒性，并在高维特征空间的数据集上表现出优势，尤其是相对于梯度方法。

Jul, 2019

本研究提出了一种名为 R-ADMM 的新方法，它可以在分布式系统中，通过每个偶数迭代时应用线性近似，同时只使用上一个奇数迭代的结果来计算，从而减少了计算量和隐私泄露，并根据目标扰动提供了隐私分析等.

Oct, 2018

提出了基于线性逼近、节省计算量和数据隐私的递归交替方向乘法算法（R-ADMM），并进一步修改（MR-ADMM）。该算法可用于解决分布式环境中的凸优化问题，改进了隐私 - 准确性权衡。

Oct, 2019

本文提出了 ADADP 算法，该算法是一种自适应且具有可证明隐私保证的学习算法，通过引入自适应噪声以及自适应学习率，显著降低了隐私成本并减轻了差分隐私对模型准确性的负面影响。ADADP 在真实数据集上的实验结果表明，它在隐私成本和模型准确性方面都优于最先进的具有差分隐私的方法。

Dec, 2019

本文提出了一种自适应的（随机）梯度扰动方法用于差分隐私经验风险最小化，在每次迭代中将添加的随机噪声优化适应于步长；我们将这个过程称为自适应差分隐私（ADP）学习。 通过相同的隐私预算，我们证明了 ADP 方法相比于加入香草随机噪音的标准差分隐私方法，可以显著提高实用保证性能。 我们的方法特别适用于具有时间变化学习率的基于梯度的算法，包括 AdaGrad（Duchi 等，2011）的变体。 我们进行了大量的数字实验，以展示所提出的自适应差分隐私算法的有效性。

Oct, 2021

DPAdapter 是一种创新技术，通过增强参数的稳健性，提高了差分隐私机器学习算法的模型性能。实验证明，使用 DPAdapter 结合现有的 DPML 算法可以显著提高其平均准确率，从 72.92% 提升至 77.09%，并保持一个隐私预算 ε=4。

Mar, 2024