2020 和 2021 年的大流行病对经济和社会产生了巨大影响，研究表明接触追踪算法在病毒的早期控制中起着关键作用。然而，隐私问题目前阻碍了接触追踪算法的部署。我们提出针对攻击场景的一种带有差分隐私保证的接触追踪算法，并在两个最广泛使用的基于代理的 COVID19 模拟器上进行了测试，展示了在各种设置下的卓越性能。在真实的测试场景中，通过每个风险分数使用 epsilon=1 差分隐私进行发布，我们实现了病毒感染率的 2 到 10 倍减少。据我们所知，这是首个在 COVID19 的风险分数披露时具有差分隐私保证的接触追踪算法。

Dec, 2023

介绍了一个在加拿大开发的名为 “COVI” 的基于移动应用、利用点对点技术实现的新冠肺炎病毒接触者跟踪与风险意识软件，该软件采用机器学习技术辅助个性化提供病毒感染风险意识，且符合隐私保护标准。

May, 2020

通过集成概率技术进行风险评估，在 COVID-19 疫情的控制和流行扩展阶段，使用口罩和系统性实施的接触追踪策略可能是一种有效且社会影响较小的替代方案。研究发现，概率接触追踪技术在捕获病原体扩散的逆向传播和超级传播事件方面表现出显著的功效。

Dec, 2023

本研究探讨使用机器学习方法及蓝牙低功耗技术，通过对移动设备的传感数据和元数据分析距离，以改善传统手动接触追踪实践，达到防控传染病的目的。实验结果表明，使用 TableNet 结构和特征工程，可以显著提高模型性能，使得 nDCF 总得分从 2.08 下降到 0.21。

Mar, 2022

使用机器学习技术，采用抗干扰训练方法，利用基础的临床数据，开发了两个能较好地预测患者 COVID-19 状态的连续神经网络模型，并提高了模型隐私保护能力，可有效减少医疗信息泄漏。

Jan, 2022

本研究介绍了一种在分布式情况下使用差分隐私训练临床数据神经网络的方法，并在 eICU 协作研究数据库和 The Cancer Genome Atlas 上进行了验证。

Dec, 2018

本论文提出新的算法技术，包括隐私成本的细化分析，并在差分隐私框架下进行。 实验结果表明：我们可以在较小的隐私成本下训练具有非凸目标的深度神经网络，而且在软件复杂性、训练效率和模型质量上具有可管理的成本。

Jul, 2016

本文分析了新型传染病疫情期间手机应用程序如 TraceTogether 等的隐私权问题，并提出了一些如何改善隐私问题而不降低公共卫生效果的方法。我们希望在编写本文时，确保隐私权是围绕移动接触追踪应用程序的讨论的核心特征，并鼓励社区努力开发具有更强的隐私保护的替代解决方案。

Mar, 2020

通过在真实和合成数据集上不同隐私水平下进行隐私 - 效用权衡和通过成员推断攻击进行审计，从医疗领域的人口图中启动对不同 ially 静态图神经网络的经验调查。我们的发现强调了此特定 DP 应用领域的潜力和挑战。此外，我们通过显示图同质度的程度与训练模型准确度之间的相关性，发现底层图结构构成更大性能差距的潜在因素。

Jul, 2023

本论文提出了一种智能接触追踪系统，使用智能手机的蓝牙低功耗信号和机器学习分类器来准确快速地确定接触人员，并保障用户匿名，使用其社交距离规则并进行实时警报。

May, 2020