本文研究了不确定组合中差分隐私的自适应组合问题，定义了隐私过滤器和隐私测距仪两个概念，将其广泛地应用于隐私组合中，并证明了在自适应参数设置下，这两种用例是不同的。同时也证明了现有组合定理的隐私过滤器可以在自适应参数设置下有效。

May, 2016

本文概述了隐私保护的形式定义 Differential Privacy 在数据处理中提供严格保证的重要思想、概念和应用，特别关注它在机器学习和联邦学习领域的交叉应用。

May, 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

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

本文研究了衡量数据集上 DP 机制对模型隐私保护的能力的新指标 - 隐私覆盖度，并提出了使用该指标排名训练集中样本隐私的方法，进而使用观察到的邻域分布的不可区分性转换来选择 epsilon 值。

Jun, 2023

本文研究了深度学习中隐私方面的问题，提出了一种新的隐私定义 ——f - 差分隐私，并利用其可处理复合和子采样的性质，推导出了一种更简单的隐私分析方法。在图像分类、文本分类和推荐系统等任务中的实验结果表明，该方法可以在保证隐私的前提下提高神经网络的预测准确率。

Nov, 2019

个性化差分隐私机器学习：使用个人数据点隐私级别训练 Ridge 回归模型的方法 (PDP-OP)，在提供严格隐私保证和模型准确性的前提下，改善差分隐私中的隐私 - 准确性平衡。

Jan, 2024

本文介绍了基于 Renyi 散度的差分隐私的自然松弛，将其作为隐私定义并展示其在隐私损失尾部的保障方面精准的表示，同时演示了新定义与标准差分隐私定义性质相似度高，在分析异构机制组合方面具有更紧密的能力。

Feb, 2017

本文提出 $f$- 差分隐私，一种新的隐私松弛定义，避免了使用发散松弛的一些困难，并支持隐私定义的组合和代数推理。同时，作者通过介绍高斯差分隐私，一个基于测试两个移动高斯函数的 $f$- 差分隐私的单参数家族，并通过数学证明和计算机实验了演示工具，进一步完善并解决了隐私数据分析的问题。

May, 2019

本文旨在探究如何使用差分隐私来训练机器学习模型，以 ImageNet 图像分类为例，展示如何使用方法和模型类型来让训练过程更好地进行。我们展示了一些方法，使我们能够使用 DP 来训练一个 ResNet-18，精度为 47.9％。虽然这比 “朴素” 的 DP 训练要好，但是离没有隐私的情况下的 75％精度还有很大的差距。

Jan, 2022