本文提出了一种创建隐私说明的方法，通过识别领域内的重要主题，为决策提供解释方法，并自动生成解释。该方法在一个真实的隐私数据集上进行了测试，并通过用户研究对其进行了评估，以确定哪些因素对用户有影响并找到解释是有用的。

Jan, 2023

本文提出了一种高效的分散式（点对点）和异步算法来解决个性化模型的学习，同时满足强隐私要求，并证明了它的收敛速率。我们展示了如何使算法往常差异保持私密以保护个人数据集的信息披露，并正式分析了效用和隐私之间的权衡。实验结果表明，在非私密约束下，我们的方法大大优于以前的工作，在隐私约束下，我们可以显著改进在独立学习中得到的模型。

May, 2017

通过收集健身数据集，进行相关的实证研究，并基于研究结果实现了建议系统，从而帮助用户更好地理解他们的隐私设置，从而更好地保护个人身份信息和表达个人伦理偏好，并实现了较高的准确性。

Apr, 2022

本文研究了基于社交网络的个性化推荐 —— 社交推荐算法在保护隐私的同时对推荐准确度的影响，并量化了算法的效用损失。研究表明，只有在隐私参数比较宽松的情况下或为社交网络中的一小部分用户提供可行的好的私密社交推荐。

May, 2011

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

本文概述了隐私决策自动化所面临的主要挑战，并提供了一种分类方案，包括现有工作以及解决隐私决策自动化的倡议和提案。

May, 2023

提出了一种算法来实现个性化推荐，既确保了精确度，也能维护隐私；以广告为应用示例进行离线实验，量化了隐私保护算法对用户体验、广告主价值和平台收益等关键指标的影响。

Aug, 2023

利用机器学习，协助机器人提供个性化支持的研究，采用面向用户的、注重隐私保护的技术，提出长期护理解决方案，解决数据隐私、个性化和用户体验等挑战，以促进协助机器人的负责任整合。

May, 2024

本文提出了一个基于场景信息和物品基数的图像隐私分类器 ——Graph Privacy Advisor，通过简化现有图形模型和提取最具信息量的视觉特征，使用更有效的低维特征取代高维图像特征，解决了有关偏差先验信息的问题。

Oct, 2022

本文提出了一种基于 LSTM Encoder-Decoder 的新编码技术，用于实现医疗保健数据和环境辅助生活领域中对隐私的保护，通过实验结果证明了该方法的高效性和有效性。

Feb, 2018