使用高斯噪音在测量上报延时过程中的分析显示，在对底层查询进行了有界假设的前提下，对于 Report Noisy Max 可以提供纯先验差分隐私界限，而对于 Above Threshold 可以提供纯后验差分隐私界限，并且所得到的界限是紧的且取决于可使用标准方法进行数值评估的闭合表达式。

Feb, 2024

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

本文考虑了在对候选项稳定性更弱的情况下，即评分函数是差分隐私的情况下的选择问题。我们提供了算法，在隐私、效用和计算效率等三个方面都是最优的。同时，我们还开发了在线版本和基于稀疏向量技术的通用性算法。这些算法在差分隐私机器学习中的超参数选择以及自适应数据分析中都有更好的表现。

Nov, 2018

本研究研究以 Rényi 差分隐私为视角的 DP 组合，通过证明一个更简单的复合定理并提供小型常量，从而使其足够实用，以应用于 DP 深度学习中进行在线噪声或批处理大小调整以提高模型准确性，在固定的总隐私损失内以停止微调模型以减少总隐私损失的操作

Mar, 2021

这篇论文通过建立 “迭代的隐私放大” 现象的统一框架，改进了先前分析的方法，有效地量化了差分隐私算法的隐私泄露，并扩展到各种设置和概念中，进而在 strongly convex optimization 领域中实现了第一个精确的隐私分析。

Mar, 2024

在超参数调整问题中，提供了关于当前隐私分析是紧密的一般意义上的证实，然而，当专门研究超参数调整问题时，密切性不再成立。此外，通过隐私审计发现了当前理论上的隐私边界与经验边界之间的实质差距，并提供了改进后的隐私结果以及比以往分析更具普适性的结果。

Feb, 2024

该研究聚焦于利用 f-DP 改进随机初始化的洗牌模型和一次迭代的差分隐私梯度下降（DP-GD）算法的隐私界限，并得到了洗牌模型的交替函数的闭式表达式，同时研究了随机初始化对于 DP-GD 的隐私影响。

Oct, 2023

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

该研究通过指定参数 delta 来构建一个全新的下界，从而优化（epsilon，delta）差分隐私算法在高维数据库上精确回答统计查询的样本复杂度。除了新的下界之外，该研究还提出了纯粹和近似的差分隐私算法，用于回答任意统计查询，并通过对比标准拉普拉斯和高斯机制在最坏情况下精度保证方面的样本复杂度，改善了对该问题的解决方法。

Jan, 2015

本文提出一种算法来解决在不同隐私偏好的用户条件下的均值估计问题，并发现在两组用户具有不同隐私级别的情况下，该算法是最优的。当一个群体的隐私要求得到放宽时，会出现一个饱和现象，即进一步放宽该群体的隐私要求并不能改善估计器的性能。因此，中央服务器可以在不影响性能的情况下提供一定程度的隐私保护。

Apr, 2023