通过差分隐私和稳定学习理论的显式连接，提出了一种更好的隐私/实用性权衡方法，以便为所有凸型Lipschitz有界学习任务获得更好的权衡，并将其应用在医疗数据上，以获得更准确的模型。但改进后的隐私机制使得不同隐私机制更容易受到模型反演攻击的影响。

Dec, 2015

本文研究了在差分隐私约束下的线性回归问题，恢复了特征、标签和系数域在优化误差和估计误差中的正确依赖性，并提出了两种简单修改的差分隐私算法：后验采样和充足统计扰动，并展示它们可升级为能针对每个实例利用数据相关量并行为几乎最优的自适应算法。作者在36个数据集上进行了广泛的实验，结果表明两种自适应算法优于现有技术。

Mar, 2018

探讨在分类和回归等多种模型中，为实现个体预测隐私保护所需的成本，以及通过训练多个模型并使用标准的聚合技术来预测，以降低聚合步骤引入的开销，并建立所有不同隐私预测算法的强广义保证，从而研究机器学习中差分隐私的最优样本调整量。

Mar, 2018

探讨平衡标准误差和隐私保护之间的关系，提出了最小化极限风险下的差分隐私约束的算法，包括隐私迭代硬阈值追踪，以及在实际数据集中表现出的数值表现。

Feb, 2019

通过使用差分隐私，我们在小型数据集的情况下训练针对经济研究的简单线性回归的算法，在不牺牲数据隐私的情况下获得较高的性能。

Jul, 2020

在高维数据分析中，隐私保护已成为一个关键问题，Li (1991)提出的切片逆回归技术作为一种广泛应用的统计技术，用于降低协变量维度并保持足够的统计信息。本文提出了专门针对充分维度减少情况下隐私问题的最优差分隐私算法，并建立了在低维和高维环境中差分隐私切片逆回归的下界。此外，我们开发了能够在对数因子范围内达到极小化界限的差分隐私算法。通过模拟和实际数据分析的结合，我们展示了这些差分隐私算法在保护隐私的同时在降维空间内保留重要信息的有效性。作为自然延伸，我们也可以提供差分隐私稀疏主成分分析的类似下界和上界，这也可能引起统计学和机器学习领域的兴趣。

Jan, 2024

通过综合评估不同的优化方法，本研究对高维度差分隐私线性模型的优化方法进行了广泛的回顾，并表明稳健且坐标优化的算法表现最佳，从而为未来的研究提供了重要参考。

Apr, 2024

本文首次探索在公共特征下的局部差分隐私（LDP）学习，提出半特征LDP概念，证明了半特征LDP下的非参数回归的最小最大收敛速度明显降低，然后介绍了HistOfTree估计器，完全利用公共和私有特征信息，在理论上实现最小最大收敛速度，实证结果表明HistOfTree在合成数据和真实数据中达到了优越性能，同时还探讨了用户手动选择保护特征的情况，在这种情况下，提出了一个估计器和数据驱动的参数调整策略，导致了类似的理论和实证结果。

May, 2024

本研究针对高维数据集中重要特征识别的难题，指出传统两阶段选择技术在稀疏情况下不稳定，导致其在实际数据集上的表现不佳。通过引入基于相关性的排序统计方法进行特征选择并进行隐私保护，我们的方法在多个数据集上显著优于现有基准，为私密特征选择提供了新的解决方案。

Aug, 2024

本研究针对高维数据集中特征选择的有效性问题进行了探索，且现有的两阶段选择方法在稀疏情况下表现不佳。作者提出了一种基于相关性的排序统计方法来选择重要特征，确保结果的隐私性。实验证明，该方法在多种数据集上显著优于传统基线方法，具有良好的应用潜力。

Aug, 2024