本文提出了一种名为 PrivaTree 的新方法，基于私有直方图的决策树扩展算法，它在具有混合数值和分类数据的情况下，在消耗小的隐私预算的同时选择了良好的分裂策略，并且在隐私 - 效用平衡上提供了显著更好的性能，并且相对于常规决策树，显著提高了对抗象征攻击的鲁棒性。

May, 2023

该论文提出了一种针对分布式在线学习的隐私保护算法，在保证微分隐私的同时提高算法的学习准确率，并采用本地微分隐私算法框架来避免对数据收集方的信任，有效地对包括逻辑回归和基于 CNN 的图像分类等任务进行了测试。

Jun, 2023

本文研究了带有随机决策树的监督学习，分析和比较了三种不同的算法，并提出了差分隐私版本的所有三种方案。通过数学证明了正确分类大部分数据所需的独立随机决策树的数量，并给出了泛化误差的上限。最终得出了大多数投票和阈值平均是过程中精度最高的方法，并提供了简单的大多数投票规则作为差分隐私分类器。

Oct, 2014

我们提出了一种新颖的差分隐私算法，用于在线联合学习，通过使用时间相关的噪声来提高效用并确保连续发布的模型的隐私性。

Mar, 2024

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

本文提出了一种新型的分布式在线学习算法，并采用差分隐私来保护学习者的隐私。通过使用在线学习的遗憾界，实现离线学习算法的快速收敛。在模拟中，证明了我们所提出的定理的正确性和算法的普适性。

May, 2015

本研究提出了一种基于梯度追踪的本地差分隐私分布式在线学习算法，通过确保严格的本地差分隐私，该算法在均方意义下收敛于精确的最优解，即使在迭代次数趋向无穷的情况下，累积隐私预算也是有限的。在实验中，该算法在多个基准机器学习应用中表现良好，并且在训练和测试准确性方面均优于现有的对应方法。

Oct, 2023

在本研究中，我们通过公共数据辅助的非交互式 LDP（局部差分隐私）学习，重点研究非参数分类问题。在后验漂移假设下，我们首次推导了在 LDP 约束下的极小极大收敛速度。然后，我们提出了一种新颖的方法，即局部隐私分类树，它达到了极小极大收敛速度。此外，我们设计了一种数据驱动的修剪程序，避免了参数调整，并产生了一个快速收敛的估计器。对合成和真实数据集进行的全面实验证明了我们提出方法的卓越性能。无论是我们的理论发现还是实验结果都证明了与私有数据相比，公共数据的有效性，并提出了优先考虑非私有数据收集的实际建议。

Nov, 2023

隐私保护学习梯度提升决策树（GBDT）可对标准表格数据具有很强的效用 - 隐私权衡潜力，采用差分隐私作为验证隐私属性的最新方法，并利用四种主要技术改善了效用 - 隐私权衡。

Sep, 2023

本文研究了分布式估计和学习问题。利用线性聚合方案和调整的随机化方案，通过交换信息，聚合数据并在保护个体隐私的前提下估计未知特征值。通过对一些例子的验证，证明该算法的高效性和性能保障。

Jun, 2023