披露避免系统的隐私和偏差分析
本文提出了一种名为噪声约简框架的通用方法，能够应用于各种私有经验风险最小化(ERM)算法，使用它们来“搜索”隐私级别的空间，以找到在满足准确性约束下最强的隐私级别，并仅产生对搜索的隐私级别数量的对数开销。
May, 2017
本文针对高维情况下的差分隐私数据分析算法中的高斯机制，提出了一种经过优化的高斯机制，通过解决其方差在隐私程度较高和较低的限制，直接利用高斯累积分布函数进行方差校准，采用基于自适应估计技术的后处理步骤实现抑噪，实验证明该方法相比于经典高斯机制，能减少至少三分之一的噪声方差，并且在高维情境下能够显著提高其精确性。
May, 2018
本文首次研究了 post-processing 在差分隐私保护中的性质，尤其在人口普查数据发布中的应用，并从此理论和经验上探讨了广泛采用的一类 post-processing 函数的行为。
Oct, 2020
本文研究了不同ially private数据集的发布，并从公平的角度分析它们对一些关键的资源分配任务的影响。 结果发现，当决策以differentially private data作为输入时，为了实现隐私而添加的噪声会对某些群体产生不成比例的影响。该论文分析了这些不成比例影响的原因，并提出了减轻这些影响的指导方针。这些方法基于使用differentially private census data的关键决策问题进行了评估。
May, 2021
本研究探讨了不同隐私保护机制中，后处理免疫性质的影响，并分析了在美国人口普查数据分配基金等重大社会决策中，后处理机制引起的不公平影响，提出了一种新的后处理机制，旨在减少公平问题和隐私保护成本。
Jan, 2022
通过使用分层方法，可以在不用额外的隐私预算的情况下得到高准确性的全局统计学估计，从而减少差异的工作是减少差异的差异数据隐私机制应该被比较的一个强有力的基线。
Dec, 2023
本研究针对差分隐私数据发布在网络中的偏差和不公平性问题进行了深入分析，揭示传统方法在实际应用中的不足。通过构建网络发布问题并研究其对最短路径决策的影响，研究表明，差分隐私技术可能导致信息发布中的偏见和不公平分配，显著影响决策效果。该研究为提高隐私保护下的网络决策公正性提供了理论基础与实证证据。
Aug, 2024
本研究揭示了社会调查中的采样错误如何影响群体水平估计，从而影响决策的公平性。提出了一种基于现实调查设计过程的优化方法，以优化采样成本并维持误差在可接受范围内。同时，研究表明差分隐私下的噪声可以意外减少不公平现象，这一发现可能对数据收集和政策制定产生重要影响。
Aug, 2024
本研究解决了差分隐私作为一种统计概念的理解和应用的不足，提出了通过假设检验的视角重新定义差分隐私的必要性。文章引入了$f$-差分隐私的概念，并通过表征定理扩展了现有的差分隐私定义，提供了一个统一的框架用于分析数据分析和机器学习中的隐私界限。研究发现，这种框架在私有深度学习和其他应用中显示出相较于现有方法的显著优势。
Sep, 2024