本文提出了一种隐私保护的实用方法，使用通用的统计推断框架捕获推断攻击下的隐私威胁并满足效用约束，采用隐私保护概率映射技术对发布的数据进行扭曲处理，同时解决了实际中遇到的实用挑战，通过引入量化步骤和减少优化大小的方法，我们的方法在保证数据原版用途的情况下，取得了良好的隐私保护效果。

Aug, 2014

提出一种用于捕获用户向被动好奇敌手发布数据时产生的隐私威胁并在效用约束下加以限制的一般性统计推断框架，其中应用自信息成本函数于非渐进信息论方法用于表征最佳可实现的隐私，基于这些结果引入平均信息泄漏和最大信息泄漏两种隐私度量，证明在两种指标下，将用户数据映射到隐私保护输出的最优映射可被描述为修正的率失真问题并可设计成凸编程，最后与差分隐私进行比较。

Oct, 2012

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

评估了人们修改公开数据以保护隐私的能力，发现人们的效力不如人工智能。强调现代 AI 时代需要算法支持来保护个人信息。

Apr, 2023

通过评估非可逆性要求的满足程度以及面部嵌入提取器的漏洞评估，本文研究了声称提供软生物特征隐私保护的方法以及隐私保护中使用的转换复杂性，实验结果表明，受保护的面部嵌入可以在达到约 98% 的精度时重构。

Oct, 2023

机器学习中存在多种推断攻击，现有防御方法要么只针对特定类型的攻击且损失很大，要么很快被自适应攻击突破。本研究提出了一种信息理论防御框架 Inf2Guard，用于对抗推断攻击。该框架通过学习共享表示来保护隐私和保留效用，并展示了多种优势及对现有防御的改进。实证评估验证了 Inf2Guard 对于学习对推断攻击具有隐私保护的表示的有效性，并展示了其优于基线方法的卓越性能。

Mar, 2024

本文研究在隐私模型下的统计风险最小化问题，针对局部隐私框架，确定了统计估计过程的收敛速率上下限，并展示了数据保留隐私量与任何统计估计器或学习程序的收敛速率之间的精确权衡。

Oct, 2012

提出了一种名为 “Privacy Partitioning” 的方法，通过将机器学习模型拆分并部署到本地设备和远程服务器中，保护用户数据，防止对状态最先进的深度网络的中间状态进行攻击并推断出隐私敏感的输入。（该方法）能够在不影响分类准确性的情况下有效削弱攻击者获得隐私敏感信息的能力。

Dec, 2018

本研究旨在探讨视觉隐私保护算法的公平性，利用 PubFig 数据集的实验结果表明，常用的视觉隐私保护算法提供的隐私保护在群体之间不均等。

Jan, 2023

本文提出了一种终端到终端的人工智能视频安全监控系统，其中融合了计算机视觉分析、统计数据分析、云原生服务以及终端用户应用，该系统能够更好地保护个人隐私，同时对人物识别、错误行为检测等方面具有高效性能和较高的安全性。

Feb, 2023