本研究介绍一种新的方法，可通过随机抽样来提高差分隐私机制提供的隐私保证。该方法利用程序验证社区中出现的差分隐私特征，引入高级联合凸性和隐私概况等新工具，既可恢复和改进以往的分析，也可推导出新的隐私扩增实例。

Jul, 2018

研究文章中，我们提供了差分隐私机器学习算法的紧密上界，特别针对在数据子抽样和应用随机化机制的情况下，考虑了 Mironov（2017）的 Renyi 差分隐私参数和数据子抽样概率参数的影响，将 Abadi 等人（2016）针对高斯机制开发的矩计数技术推广到任何经过子抽样的 RDP 机制，此研究是关于差分隐私重要问题的研究。

Jul, 2018

本文分析了从一个多维伯努利分布中采样给定私有算法的参数的隐私放大效应，提供了计算放大因子的算法，并建立了上下界，从而平衡隐私和准确性之间的的矛盾。

May, 2021

本文研究了本地差分隐私模型下敏感统计信息的收集，提出了一种算法，其隐私成本与用户值的更改数量的对数成正比。通过匿名化用户报告，基于用户报告的匿名性，我们还展示了当以中心式差分隐私模型来看待时，我们的 LDP 算法的隐私成本实际上会更低。通过新的隐私放大技术，我们证明了任何置换不变的算法，满足 ε 局部差分隐私的同时，也会满足（O（ε sqrt {log（1/δ）/n）}，δ）中心差分隐私。作为实际的推论，我们的研究结果表明，几个基于 LDP 的工业部署的隐私成本会比它们宣传的 ε 值所表示的要低得多，至少是在报告经过匿名化的情况下。

Nov, 2018

为了在保持隐私的前提下利用时序数据，我们提出了一种基于子采样和过滤的隐私机制，通过减少个体对于时间序列的影响，从而显著地减小了加噪音的需求，而且我们用现实和合成的时间序列数据充分论证了其实用性。

Jan, 2022

本文介绍了一种分布式协议，称为随机签到分布式协议，它可用于联合学习等环境中的差分隐私随机梯度下降，在隐私和准确性之间实现了权衡，并且不需要服务器发起通信或了解总体规模。同时，作者还扩展了隐私放大技术，以在使用数量更少的用户数据时提供相似的隐私保护和效用。

Jul, 2020

使用微分隐私技术对加性迭代算法的中间结果进行保护，避免泄露中间过程可以强化隐私保障并解决凸优化问题。

Aug, 2018

提出了一种使用泊松子采样的集成学习框架，有效地训练一组教师模型以针对训练数据发出一些不同隐私保护（DP）保证。通过在 DP 下 Boosting，从训练数据中派生的学生模型遭受的模型退化很少，可以从无隐私保护的模型中进行训练。

Oct, 2022

我们考虑计算子采样差分私有机制组合的紧密隐私保证的问题。我们的主要贡献在于解决了两个常见的困惑：一是有些隐私估计者认为，子采样机制组合的隐私保证是通过自组合未组合机制的最坏情况数据集来确定的；二是泊松子采样有时被假设具有与无替换采样相似的隐私保证，但我们表明这两种采样方案的隐私保证可能存在显著差异。具体而言，我们给出了一个示例，其中泊松子采样的 ε≈1，而无替换采样的 ε>10。这对于实际可选择的 DP-SGD 参数而言是可能发生的。

May, 2024

本文针对使用 Renyi 差分隐私（RDP）定义时的数据隐私问题，特别是在指数族和特定广义线性模型 (例如：逻辑回归) 的采样中，利用先验分布减轻个体数据点的影响，提出了新颖的 RDP 机制，并为现有方法提供了新的 RDP 分析，以增加 RDP 框架的价值。每种方法都能够实现任意的 RDP 隐私保障，并提供其有效性的实验结果。

Oct, 2017