BRACE：面向 LSR 能量稠密联想记忆的差分隐私检索算法
研究者提出 BRACE 算法，为 log-sum-ReLU（LSR）稠密联想记忆（DAM）提供差分隐私检索机制，通过自适应校正边界敏感扰动来控制其在检索轨迹上的累积效应。理论上证明该方法达到极小极大最优，给出与维度无关的终态与全轨迹检索误差率，并建立中心极限定理以量化隐私带来的额外不确定性。数值实验将该方法与基线差分隐私方案对比，评估其检索精度。
#差分隐私
arXiv 隐私论文AI 评分2626 arXiv 隐私论文AI 评分2929 BF-Soft：面向策略感知隐私数据合成的软投票方法
针对 Private Evolution（PE）及其表格版本 Tab-PE 这类最近邻差分隐私合成器，研究者提出 BF-Soft——一种温度平滑的软投票机制，其敏感度在策略图的 reach 与温度上有紧致闭式上界，且与候选数量无关，可在合成前一次性计算。
arXiv 隐私论文AI 评分2626 面向持续机器遗忘的极小极大高斯机制
研究提出用于牛顿更新在连续删除请求下的高斯机制，借助高斯差分隐私（GDP）及其自适应组合规则，证明整个已发布模型序列在统计上难以与匹配的精确重训练区分。基于计数界的随机游走噪声在删除上限 M 处渐近匹配单次发布的最坏情况方差，而独立噪声则多出约 M 量级的因子；基于集合的界可利用被删除记录的梯度与海森矩阵降低噪声方差。
arXiv 隐私论文AI 评分3131 指数选择中的局部敏感度：失效模式与有效校准
针对差分隐私指数机制中数据集相关敏感度能否安全替代全局敏感度的问题，研究提出三类有效校准方法：对局部敏感度做私有高概率上界并推广至有限高阶敏感度层级；PTR 变体在有限公开网格上私有搜索温度参数；平滑敏感度支持多种设计，其中候选无关的平滑几何构造给出局部抑制框架下可接受的敏感度包络，对数变换则得到全局敏感度受控且保留原效用最大者的平滑得分函数。
arXiv 隐私论文AI 评分3131 一次性差分隐私置信区间：基于重采样的新框架
研究者提出一种一次性构建差分隐私置信区间的框架，仅对最终重采样分位数加噪，而非对每次重采样的估计量分别加噪。在放回（m-out-of-n）采样下隐私成本仅与重采样次数 B 成对数关系，在无放回（子采样）下与 B 无关，避免了此前工作中的 √B 因子。该框架为子采样和 m-out-of-n 重采样提供非渐近高斯差分隐私（GDP）与效用保证，覆盖分位数和退化 U 统计量等估计量。
arXiv 隐私论文AI 评分3131 联邦贝叶斯监测机械取栓不良事件：手术数字孪生的人群风险层
研究提出将人群规模不良事件监测作为手术数字孪生的独立信念层，并评估一种在形式化隐私保证下学习的联邦贝叶斯协议，各站点仅交换 Rényi 差分隐私自然参数更新。
arXiv 隐私论文AI 评分3636 LDPGraph：利用邻域结构的本地差分隐私图合成
针对不可信收集者场景下图数据发布的隐私风险，研究者提出本地差分隐私图合成算法 LDPGraph，通过聚合扰动邻接表得到含噪全局视图，并结合投影局部连接估计节点级三角形计数。该方法将分别扰动的度与三角形计数联合修正为可行的度-三角形目标，再以三角形优先策略重建全局图。在四个真实数据集和多种常用图指标上的实验验证了其优越性。
arXiv 隐私论文AI 评分5151 随机分配 DP-SGD 的闭式噪声标定：抵御成员推断攻击
研究针对随机分配下的 DP-SGD 提出一行闭式公式，用于约束训练模型上任何成员推断攻击（MIA）的准确率上限。在每轮 M 步、E 轮、噪声乘子 σ 且成员与非成员先验等概率时，攻击准确率至多约为 1/2+1/4√((1+(e^{1/σ²}-1)/M)^E-1)，该式源自高斯分布与支配随机分配的高斯混合分布之间的卡方散度，可在约一微秒内给出 σ。
arXiv 隐私论文精选AI 评分6666 PrivTab：用表格基础模型实现高效可证明隐私的分类
研究提出 PrivTab，一种将隐私机制嵌入架构的表格基础模型，用于差分隐私分类，通过上下文学习把敏感行转换为紧凑且可证明隐私的摘要。在中等至强隐私预算下，它优于私有线性与神经网络基线，成员推断泄漏可忽略，强隐私下预测仍保持良好校准，并将数据集拟合时间缩短 10000 倍，仅需一次前向传播。
推荐理由：介绍一种把差分隐私机制嵌入架构的表格基础模型，读者可了解隐私分类在效用、速度与成员推断泄漏上的取舍。
arXiv 隐私论文AI 评分3131 BetweenCut：树高双对数误差的差分隐私重节点分类算法
针对树结构中重节点分类问题，研究者提出 (\varepsilon,\delta)-DP 算法 BetweenCut，其加性误差为 O_{\varepsilon,\delta}(\log\log h)，优于现有方法在树高 h 下的 Ω_{\varepsilon,\delta}(\log h) 或 Ω_{\varepsilon,\delta}(\sqrt{\log h}) 误差界。
DifferentialPrivacy.orgAI 评分3131 单侧差分隐私：定义、直觉与单侧 Laplace 噪声
差分隐私通常要求相邻数据集对称，本文提出并分析两种非对称变体：仅添加型（Definition 1）与仅移除型（Definition 2）差分隐私。