本文提出了一种基于差分隐私的机制，以保证数据查询的数据隐私和查询效用之间的平衡。机制包含了每个可能的用户的期望最小化的代价函数，并且针对每个固定数量的查询和差分隐私级别，存在一种几何机制可以同时保证每个可能用户的最佳实用性，这是一种极强的实用性保障。

Nov, 2008

研究了在物联网高度互联且敏感信息交换的背景下，拉普拉斯机制和李普希兹隐私的应用，以及不同维度空间下不同范数的误差最小化机制。

Mar, 2015

提供严格多项式时间的离散算法，用于近似分类数据集的直方图，同时保留与拉普拉斯机制相同的（纯）差分隐私保证，并基于受限离散计算模型，避免了基于实际算术的不同隐私算法攻击实现的可能性。

Sep, 2017

本文利用分布式鲁棒优化技术，开发了一种机制设计模型，以实现最高准确度和隐私预选级别的非渐近和无条件最优性保证。

Apr, 2023

本研究研究了本地差分隐私和效用之间的基本权衡，介绍了一种组合极端私有化机制族，即楼梯机制，并通过展示它包含广泛信息理论实用程序的最优私有化机制来证明其有效性。同时，我们证明了二进制和随机响应机制在低、高隐私区间是普遍最优的，能够很好地近似中间区间。

Jul, 2014

通过分析量化对联邦学习系统中的隐私保护的影响，本研究论文得出了量化位级越低，隐私保护越好的结论，并通过隶属推理攻击验证了这一理论分析，证实了量化确实可以增强隐私保护。

May, 2024

本研究提出了一种通过量化和差分隐私相结合的联合学习算法 —— Randomized Quantization Mechanism（RQM）, 该算法通过两层随机化达到了 Renyi 差分隐私保护，同时在 DP 联合学习的隐私 - 准确性平衡方面取得了较好的表现，是首次仅通过随机量化而不使用显式离散噪声实现 Renyi DP 保证的研究。

Jun, 2023

本文提出了第一个用于回答批量线性查询的实用差分隐私技术，即低秩机制 (LRM)，它适用于确切和近似差分隐私定义，并提供对 LRM 的实用性保证，同时提供如何根据用户的实用预期设置隐私参数的指导。与差分隐私下的最新查询处理解决方案相比，这种方法在真实数据上的大规模实验中表现出了更高的准确性。

Feb, 2015

本文提出了一种称为低秩机制（LRM）的新型隐私保护技术，通过对工作量矩阵进行低秩逼近来回答批量查询，可以实现高精度的处理结果，同时保证数据隐私。与现有技术相比，LRM 在实际中具有较高的精度。

Aug, 2012

本文提出了单一实值查询函数的最优 ε- 差分隐私机制，其噪声概率分布类具有楼梯形状、对称性、单调递减和几何衰减，可以被视为均匀概率分布的几何混合，并将此机制自然地推广到了离散查询输出环境和更抽象的环境中。通过将最优性能与拉普拉斯机制的性能进行比较，我们得出结论，当 ε 趋近于 0 时，拉普拉斯机制是渐近最优的；而在 ε 趋近于 +∞时，最小噪声振幅和最小噪声功率分别为 Θ(Δe^-ε/2) 和 Θ(Δ^2 e^-2ε/3)，而拉普拉斯机制的噪声振幅和功率期望分别为 Δ/ε 和 2Δ^2/ε^2，在低隐私保护级别下获得更明显的收益。

Dec, 2012