通过监督学习，我们设计了一种智能的在线隐私保护方法，以检测和阻止可能侵犯用户隐私的数据收集，从而为用户恢复了一定的数字化隐私，我们的评估结果展示了我们的方法的可行性和潜力。

Apr, 2023

该研究提出了一种基于可视化隐私顾问的方法，在图像内容方面扩展用户的隐私设置，以减轻用户分享图片带来的隐私风险和隐私泄露的风险。通过将个人信息映射为图像属性，从图像直接预测个人信息，了解不同用户在隐私属性方面的偏好，并在此基础上提出模型以预测用户在隐私风险方面的表现，并在一定程度上优于用户自己的隐私风险认知。

Mar, 2017

该论文在 Saltzer 和 Schroeder 1970 年代的经验教训下，回顾了最近关于隐私的两篇研究文章，并探讨了新技术在保护机器学习所依赖的数据隐私方面的应用。

Aug, 2017

本文研究了利用卷积神经网络和用户标签来自动预测图像的隐私，并将不同卷积神经网络中提取的深度特征进行比较，结果表明使用 ResNet 提取的特征的学习模型在图像隐私预测方面优于其他模型。同时，该研究结果还表明深度视觉特征和图像标签的组合可以提高预测性能。

Mar, 2019

介绍了一种分析社交网络中隐私和匿名性的框架，并开发了一种新的针对匿名化社交网络图的重新识别算法。此算法纯基于网络拓扑，无需创建大量虚假节点，可对抗噪声和所有现有防御，哪怕目标网络与攻击者的辅助信息之间的重叠很小。

Mar, 2009

隐私是一个复杂、主观和语境相关的概念，对其进行定义十分困难。因此，对图像进行注释以训练隐私分类器是一项具有挑战性的任务。在本文中，我们分析了隐私分类数据集及以不同评估员对具有对立隐私标签的具有争议性图像的注释属性。我们讨论了适用于图像隐私分类的特征，并提出了八个特定于隐私且可人工解释的特征。这些特征提高了深度学习模型的性能，并且与维度更高的深度特征相比，它们自身在图像隐私分类中表现出更好的图像表示。

Oct, 2023

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

本文研究并提出了一种基于深度特征和图像标签的图像隐私预测方法，结果表明该方法明显优于基于 SIFT 和 GIST 等基准线的方法以及采用 “标签袋” 作为特征的方法。

Oct, 2015

本文综述了深度学习中面临的隐私问题，以及已经提出的解决这些问题的技术，并提出了未来研究方向。

Apr, 2020

提出一个跨网络社交用户嵌入框架 DP-CroSUE，以隐私保护的方式学习用户的全面表示，并在三个真实数据集上展示对用户兴趣预测任务的显著改进和防御嵌入式用户属性推断攻击。

Sep, 2022