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

研究在差分隐私条件下，如何通过相应的随机化测试方法区分分布 P 和分布 Q，以及有哪些测试方法对应最佳的样本复杂度，进而将这一结果应用于私有变点检测中，同时还讨论了算法稳定性对于检验假设的适用性及普适性。

Nov, 2018

本文提出一种实现高精度（ε，δ）-LDP （可保持个人数据隐私）的机制，分别针对多维数值数据和分类属性进行收集，实现了对数据的安全保护和更高的准确性，实验证明其在数据统计和机器学习模型中具有很高的数据实用性。

Jun, 2019

本文提出了一种基于局部差分隐私的生成对抗网络训练方法，通过熵正则化 Wasserstein 距离的组合使用来降噪数据分布，有效地缓解了正则化偏差和隐私噪声效应。

Jun, 2023

本文针对 DP-SGD，即差分隐私下的随机梯度下降算法，采用对手模型来探究不同的对手能力对于隐私分析的影响，并计算了隐私保护的下限。实验结果表明，现实情况下的对手能力限制显著影响了隐私的泄露程度，这说明已有理论上的隐私上限过于保守。

Jan, 2021

该论文通过利用差分隐私（DP）进行模型训练，探索模型曾经训练过的数据样本是否存在于模型中。该方法提出了具有实际强度的适用于广泛使用的高斯机制，并提供了一种新的关于弱隐私保护下成员推断攻击的理论界的计算方法。作者在 CIFAR10 数据集上的实验表明，该方法具有领先于最佳的成员推断界。

Apr, 2022

在差分隐私机器学习中，我们引入了度量机制之间差分隐私保护强度的 $\Delta$- 散度，并在 $(\varepsilon, \delta)$、$f$-DP 和贝叶斯解释方面加以解释。通过应用实例，我们展示了我们的技术可以促进明智的决策，并揭示了差分隐私隐患中的差距。

Jun, 2024

本文针对使用 Renyi 差分隐私（RDP）定义时的数据隐私问题，特别是在指数族和特定广义线性模型 (例如：逻辑回归) 的采样中，利用先验分布减轻个体数据点的影响，提出了新颖的 RDP 机制，并为现有方法提供了新的 RDP 分析，以增加 RDP 框架的价值。每种方法都能够实现任意的 RDP 隐私保障，并提供其有效性的实验结果。

Oct, 2017

本文介绍了一种关于局部差分隐私技术的改进算法 —— 使用语义标签和个性化机制实现的 “优化保密” 机制（ULDP），能够在保护用户隐私的前提下对个人数据进行分布估计，提高了数据利用率。

Jul, 2018

通过对有界支持边界的高斯机制的简单修改，我们可以在依赖数据的隐私会计中增强隐私保障，同时不对模型效用产生负面影响。

Mar, 2024