提出了一种新的算法，用于发布对包括 k 路边际在内的非常大量的统计查询回答，该算法采用连续松弛的投影机制，使其在隐私数据集上回答查询并尝试找到最接近噪声回答的合成数据集，并通过不断适应地发现在其（松弛的）合成数据上具有高误差的查询，以达到节省隐私预算的目的，通过使用 ML 优化技术和工具，该方法在许多情况下优于现有算法。

Mar, 2021

给定一个相似度函数和一个大型高维私有数据集，输出近似表示任意查询的总和的差分隐私数据结构。在核函数和距离函数等情况下，我们的理论结果改进了先前的研究，并提供了更好的隐私 - 效用权衡和更快的查询时间。实验表明，基于平均相似性进行分类的简单方法比基于 DP-SGD 的方法更快且准确性相当。

Mar, 2024

本研究提出了一种类别的局部差分隐私机制，用于线性查询（尤其是范围查询），利用相关输入扰动来同时实现无偏、一致、统计透明，并通过准确性目标（可以是特定查询间隔或由分层数据库结构表示）对效用要求进行控制。所提出的级联抽样算法精确且高效地实例化了该机制。我们的界限表明，我们在获得近乎最优效用的同时与输出扰动方法在经验上具有竞争力。

Feb, 2024

提出了一种新的差分隐私 ERM 框架：输入扰动。在这种框架中，每个数据贡献者独立地对其数据进行随机化并将扰动数据提交给数据库。我们证明了该框架在一定条件下，确保了使用随机化数据学习到的模型最终满足差分隐私，同时确保本地差分隐私得到了保证。该方法也展示了有关模型的风险界限。

Oct, 2017

本文提出了一种用于文本扰动的新机制，它基于 Mahalanobis 度量的正则化变体，旨在平衡隐私和效用之间的权衡，以提高文本分析的隐私性。

Oct, 2020

本文提供一组算法，用于在局部差分隐私模型下实现边际统计量的实现，并对其进行理论和实证研究。结果表明，基于 Fourier 变换的信息发布方法优于直接发布边际统计量的方法。

Nov, 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

我们提出了一种新颖的差分隐私算法，用于在线联合学习，通过使用时间相关的噪声来提高效用并确保连续发布的模型的隐私性。

Mar, 2024

我们在二元线性分类中理论上研究了差分隐私如何与个体公平性和群体公平性相互作用。具体来说，我们关注输出扰动机制，这是一种隐私保护机器学习的经典方法。我们导出了对扰动模型相对于原始模型可以实现的个体和群体公平性水平的高概率界限。因此，对于个体公平性，我们证明了输出扰动对公平性水平的影响是有界的，但随着模型维度增长而增长。对于群体公平性，我们表明这种影响取决于所谓的角余量的分布，即非私有模型的带符号余量通过每个示例的范数重新缩放。

Feb, 2024

本论文研究了不同 ially private clustering 任务，为 Euclidean DensestBall、1-Cluster、k-means 和 k-median 等基本聚类问题提供了有效的差分隐私算法，同时只产生小的附加误差，从而实现了与任何非私有算法可以获得的近似比例基本相同的近似比例。这改进了现有的仅实现某些大常数逼近因子的有效算法。我们的结果还暗示了改进的 Sample and Aggregate 隐私框架算法。此外，我们展示了在适度的维数下，可以利用我们的 1-Cluster 算法中使用的工具来获得更快的 ClosestPair 量子算法。

Aug, 2020