本论文利用差分隐私算法对分布式和流数据进行分析，通过学习全局数据模型并保障差分隐私，提出了三种分布式学习贝叶斯网络模型的新方法，并针对流数据中的用户密度估计问题，提供了用户级别的隐私保护算法和改进策略。

Jul, 2023

本文提出一种异构的差分隐私概念，旨在充分考虑用户之间的隐私态度和期望差异，结合 Laplacian 机制实现个性化系统中的隐私保护，并在真实数据集上实验证明该方法能够在保障隐私同时保持良好的语义聚类结果。

Apr, 2015

利用高斯过程加噪点的方法，实现了对具有不同隐私级别的查询的差分隐私保护，可以应用于例如核密度估计，核支持向量机等在核希尔伯特空间中的函数。

Mar, 2012

该研究证明了对于大类参数概率模型，可以构建不同 ially private 的估计器，其分布收敛于最大似然估计器，从而提供了更有说服力的证据，证明统计数据库中严格的隐私概念可以与统计学有效推断一致。

Sep, 2008

研究统计隐私的目标之一是构建一个数据发布机制，它可以在保护个人隐私的同时保留信息内容。本文从统计角度考虑差分隐私，研究满足差分隐私要求的数据发布机制，并比较它们的收敛速度。研究表明，指数机制的准确性与经验分布在真实分布周围集中的概率密切相关。

Nov, 2008

本文提出了一种基于局部差分隐私的生成对抗网络训练方法，通过熵正则化 Wasserstein 距离的组合使用来降噪数据分布，有效地缓解了正则化偏差和隐私噪声效应。

Jun, 2023

使用互信息给出的等价隐私定义，揭示了差分隐私的 subtleties，证明了其强度介于 ε 差分隐私和 (ε,δ) 差分隐私之间，并证明了互信息替代差分隐私的优势在于其属性易于理解和验证，如合成定理。

Aug, 2016

本文提出一种差分隐私变分推理方法，该方法基于双重随机变分推理，并通过剪辑和扰动梯度来加入差分隐私，并通过子采样来增加隐私保护的效率。该方法在强隐私保证下的准确性接近于非私密级别，是以前基于抽样方法的替代品的明显改进。

Oct, 2016

本文介绍了基于 Renyi 散度的差分隐私的自然松弛，将其作为隐私定义并展示其在隐私损失尾部的保障方面精准的表示，同时演示了新定义与标准差分隐私定义性质相似度高，在分析异构机制组合方面具有更紧密的能力。

Feb, 2017

本文探讨了 “浓缩差分隐私” 的概念，将其用 Renyi 散度重新构建，得到更为精确的量化结果，并探讨了一些相关问题。同时，本文还通过给出 “近似浓缩差分隐私” 的定义，将这种方法与 “近似差分隐私” 相统一。

May, 2016