- 一种用于良好聚类图的差分隐私聚类算法
研究了针对良好聚类图中恢复聚类的差分隐私算法，这些图的顶点集可以被划分为少量集合，每个集合引导高内部电导和小外部电导的子图，这些图在谱聚类的理论分析中具有普遍应用。提供了一种针对这种图特别定制的高效（ε，δ）差分隐私算法。该算法灵感来自 C - 如何私下减小梯度：改进的差分隐私非凸优化速率
我们提供了一个简单灵活的框架，用于设计差分隐私算法以找到非凸损失函数的近似稳定点。我们的框架基于使用私有近似风险最小化器来 “预热” 另一个用于寻找稳定点的私有算法。我们将这一框架应用于多个类别的非凸损失函数中，获得了改进的且有时是最优的速 - 差分隐私切片逆回归：极小极大优化和算法
在高维数据分析中，隐私保护已成为一个关键问题，Li (1991) 提出的切片逆回归技术作为一种广泛应用的统计技术，用于降低协变量维度并保持足够的统计信息。本文提出了专门针对充分维度减少情况下隐私问题的最优差分隐私算法，并建立了在低维和高维环 - MM通过差分隐私实现机器去学习的严格界限
机器遗忘的研究论文，讨论了训练模型对于 “删除容量” 的影响以及利用差分隐私算法实现机器遗忘的可行性，并提供了当中的上下界。
- ICMLFriendlyCore：实用差分隐私机制
提出一种名为 FriendlyCore 的简单而实用的工具，用于处理无限制（伪）度量空间中的点集，以提高差分隐私平均和聚类任务的准确性。
- 隐私学习子空间
该研究探讨了差分隐私算法如何应用于低维线性子空间，以发现数据的低维结构并尽可能避免在隐私或准确性方面的代价。
- AAAI具有隐私保证的无投影赌率优化
本篇研究设计了差分隐私算法来解决在投影自由设置下的赌博凸优化问题，该设置在决策集具有复杂几何结构的情况下非常重要。
- 广义线性模型中的隐私成本：算法与极小极大下界
使用构建的差分隐私版本的梯度下降算法，针对低维和高维稀疏广义线性模型提出参数估计，通过表征统计学性能和建立 GLMs 的隐私约束极小值下界来显示所提算法的近乎速率最优性。
- 私有随机非凸优化：自适应算法和更紧的泛化界
研究不同 ially private (DP) 算法在随机非凸优化中的应用，通过提供对私有梯度法的分析，提出了 DP RMSProp 和 DP Adam 等最佳算法来达成更快的收敛速度，在两个流行的深度学习任务中，证明了 DP 自适应梯度法 - 具函数噪声的连续状态空间中保护隐私的 Q 学习
通过在训练中迭代地向价值函数添加函数噪声，本文在连续空间中考虑了保护差分隐私强化学习算法的价值函数逼近器，并证明了其隐私保证和近似最优性。
- 私人候选人的私人选择
本文考虑了在对候选项稳定性更弱的情况下，即评分函数是差分隐私的情况下的选择问题。我们提供了算法，在隐私、效用和计算效率等三个方面都是最优的。同时，我们还开发了在线版本和基于稀疏向量技术的通用性算法。这些算法在差分隐私机器学习中的超参数选择以 - 自适应每次迭代隐私预算的集中式差分隐私梯度下降
本文说明如何通过更加精心地分配每个迭代的隐私预算，从而改进基于梯度的算法，提高其对模型拟合的性能。
- 高维分布私密学习
本文介绍了用于两种基本高维学习问题的新型、计算有效和差分隐私算法：学习多元高斯分布和在布尔超立方体上学习乘积分布。我们的算法的样本复杂度几乎与这些任务的最优非隐私学习器的样本复杂度相匹配，表明隐私在这些问题上是几乎免费的。
- 带有恒定乘性误差的差分隐私 k 均值算法
本研究针对欧几里得 k 均值问题，设计了新的差分隐私算法，其在中心模型和本地模型中均获得了显著提高的误差保证，并且还能计算私有 corsets 来处理 k 均值聚类问题。
- ICML在线学习的差分隐私代价
本文提出了一种确保差分隐私的在线线性优化算法，其完全信息情况下的后果与 epsilon 无关，但在轮盘线性优化和非随机多臂匪徒的情况下，其遗憾上限是一个 $ ilde {O}$ 函数，同时使时间复杂度在 $\tilde {O}(\frac - 差分隐私策略评估
本篇论文介绍了用于评估固定策略的差分隐私强化学习算法的两种方法，分析了这两种算法的隐私权和效用，并在简单的实证例子中展示了有希望的结果。
- 差分隐私多臂赌博机算法
本研究提出的隐私保护算法在解决随机多臂赌博机问题时，相比之前的成果取得了较大的进展。算法可以保证最优遗憾率 O (Ɛ−1+logT), 通过实验证实了理论界和实践界之间的一致性。
- 指纹码和近似差分隐私的代价
该研究提供了基于不同隐私数据发布的样本复杂度下限的新方法，并给出了一些新的评估策略。