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

通过利用高斯约翰逊 - 林登斯特劳斯变换（JLT）来估计 OLS 中的 $t$ 值并推导出投影后的数据的置信区间，该文提出了一种基于不同隐私估计器的类似保证性质的方法。

Jul, 2015

通过向数据集添加噪音或映射到低维子空间，使用条件互信息作为隐私保护度量，研究线性回归问题的差分隐私问题与非协同 SIMO 问题之间的联系。

Feb, 2019

在本文中，我们重新考虑了局部差分隐私（LDP）模型下稀疏线性回归的问题。我们提出了一种创新的非交互式局部差分隐私（NLDP）算法，该算法在数据服从亚高斯分布的情况下，为估计误差提供了上界，并且在服务器有额外公开但未标记数据的情况下，误差上界可以进一步提高。我们还研究了序贯交互式 LDP 模型，并发现了非私有情况、中心差分隐私模型和局部差分隐私模型在稀疏线性回归问题上的基本差异。

Oct, 2023

个性化差分隐私机器学习：使用个人数据点隐私级别训练 Ridge 回归模型的方法 (PDP-OP)，在提供严格隐私保证和模型准确性的前提下，改善差分隐私中的隐私 - 准确性平衡。

Jan, 2024

本研究提出 DP-LSSGD，一种基于差分隐私的 SGD 算法，通过 Laplacian smoothing 减少噪音并保证同样的隐私保证，让训练凸和非凸机器学习模型更加稳定，同时使得模型泛化更好。

Jun, 2019

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

使用构建的差分隐私版本的梯度下降算法，针对低维和高维稀疏广义线性模型提出参数估计，通过表征统计学性能和建立 GLMs 的隐私约束极小值下界来显示所提算法的近乎速率最优性。

Nov, 2020

本文研究了衡量数据集上 DP 机制对模型隐私保护的能力的新指标 - 隐私覆盖度，并提出了使用该指标排名训练集中样本隐私的方法，进而使用观察到的邻域分布的不可区分性转换来选择 epsilon 值。

Jun, 2023

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