图统计数据的局部差分隐私分析
使用哈希函数来减少子图在边缘局部差分隐私下的通信成本，通过将沟通成本降低为 $s^2$ 倍的采样速率方法，减少三角计数的误差 1000 倍。
Dec, 2023
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
我们提出了一个基于图神经网络的学习框架，该框架可以在用户层面提供节点隐私，并且在损失效用性方面表现较低。我们使用分布式隐私保护的概念，并在节点水平对特征和标签数据应用随机化机制，在数据被中央服务器收集用于模型训练之前进行扰动。通过随机化数据的统计分析中的频率估计，我们开发了重构方法来逼近扰动数据的特征和标签。我们还形成了利用图聚类的频率估计来在子图层面监督训练过程的学习框架。在真实数据集和半合成数据集上进行了大量实验，证明了我们提出模型的有效性。
Sep, 2023
本文介绍了一种新的本地差分隐私技术，可以在时间上保持最新的统计数据，隐私保证仅随基础分布变化次数而衰减，而不是收集周期次数，其中提供了使用频率和重量估计的应用程序。
Feb, 2018
研究了针对良好聚类图中恢复聚类的差分隐私算法，这些图的顶点集可以被划分为少量集合，每个集合引导高内部电导和小外部电导的子图，这些图在谱聚类的理论分析中具有普遍应用。提供了一种针对这种图特别定制的高效（ε，δ）差分隐私算法。该算法灵感来自 Chen 等人最近的工作，他们在图仅包含两个几乎平衡聚类的情况下开发了差分隐私算法。我们的算法适用于具有 k 个几乎平衡聚类的良好聚类图，误分类比率接近最佳非隐私算法。通过在已知的地面真实聚类的数据集上进行实验评估，证实了我们算法的能力。还表明任何（纯的）ε- 差分隐私算法将导致显著的误差。
Mar, 2024
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
本文提出了一种新的差分隐私机制，该机制支持对敏感数据库上通过一些关系代数计算的结果的线性统计量进行近似，并且支持不受限制的连接操作，其误差边界大致与查询的经验灵敏度成正比，对于任何一种子图，本文提供了能够实现节点差分隐私的第一种解决方案。
Apr, 2013