使用快速傅里叶变换计算异构组合的差分隐私保证
提出一种基于隐私损失分布的数值账本方法，用于准确隐私计算，尤其是对子采样高斯机制的严格上下界隐私参数的计算，并给出幂系数约束下的隐私损失分布的误差分析，应用于计数查询的指数机制的计算也满足严格下界隐私参数。
Jun, 2020
本论文介绍了一个新算法，用于计算隐私随机变量的数字组成，可用于计算机制的组合的准确差分隐私参数。该算法可以在多项式对数 (k) 的时间和内存使用情况下自我组合机制 k 次。该方法不仅适用于子采样高斯机制等广泛机制的分析，还可扩展至组合同类别别不同机制的情况，并改进了运行时间和内存使用率。
Jul, 2022
提供了一种快速算法，可以将差分隐私算法的隐私保证优化到任意精度，并使用隐私损失随机变量的概念来量化差分隐私算法的隐私损失，该算法可以加速隐私计算几个数量级同时保持类似的准确性。
Jun, 2021
本文提出了一种基于估计验证释放（EVR）的新差分隐私范式来限制 DP 组合中的隐私泄露，其中隐私参数的限制通过将其估计转化为严格上限的形式来解决。这个范式包含隐私验证和基于 Monte Carlo 技术的不同的 DP accountant，通过本文的实证研究表明，EVR 增加了隐私保护和机器学习性能的平衡。
Apr, 2023
我们考虑计算子采样差分私有机制组合的紧密隐私保证的问题。我们的主要贡献在于解决了两个常见的困惑：一是有些隐私估计者认为，子采样机制组合的隐私保证是通过自组合未组合机制的最坏情况数据集来确定的；二是泊松子采样有时被假设具有与无替换采样相似的隐私保证，但我们表明这两种采样方案的隐私保证可能存在显著差异。具体而言，我们给出了一个示例，其中泊松子采样的 ε≈1，而无替换采样的 ε>10。这对于实际可选择的 DP-SGD 参数而言是可能发生的。
May, 2024
提供严格多项式时间的离散算法，用于近似分类数据集的直方图，同时保留与拉普拉斯机制相同的（纯）差分隐私保证，并基于受限离散计算模型，避免了基于实际算术的不同隐私算法攻击实现的可能性。
Sep, 2017
本研究研究以 Rényi 差分隐私为视角的 DP 组合，通过证明一个更简单的复合定理并提供小型常量，从而使其足够实用，以应用于 DP 深度学习中进行在线噪声或批处理大小调整以提高模型准确性，在固定的总隐私损失内以停止微调模型以减少总隐私损失的操作
Mar, 2021
本文重点研究搜索不同的差分隐私机制，研究隐私水平下降的速度，并通过引入假设测试和数据处理不等式的新操作解释提出了一种解决方案，改进了现有技术并具有多方计算等多领域的应用。
Nov, 2013
研究了如何在单个数据集上执行自适应分析，确保每个参与者的差分隐私损失不超过预先指定的预算，提出了一种基于个性化隐私损失估计的更紧密的隐私损失计算方法，并应用于噪声梯度下降分析中。
Aug, 2020