一开始决定分为三个部分，第一部分为论文梳理，第二部分为具体细节，会放上一些论文的主体理解，第三部分放一些实验代码
这里会收集一些DP和LDP在现实生活中的用例
| Title | Team/Main Author | Venue and Year | Key Description |
|---|---|---|---|
| RAPPOR: Randomized Aggregatable Privacy-Preserving Ordinal Response | 2015 | https://github.com/google/rappor | |
| IBM-differential-privacy-library | IBM | 2018 | https://github.com/IBM/differential-privacy-library/blob/main/ |
| Heavy Hitter Estimation over Set-Valued Data with Local Differential Privacy | Zhan Qin | 2016/CCS |
多是一些LDP&DP下的数据融合分析
| Title | Team/Main Author | Venue and Year | Key Description |
|---|---|---|---|
| Collecting And Analyzing Data Jointly From Multiple Services under Local Differential Privacy | Min Xu | 2020/VLDB Endowment | |
| Building a RAPPOR with the Unknown: Privacy-Preserving Learning of Associations and Data Dictionaries | G. Fanti, Vasyl Pihur, Ú. Erlingsson | 2015 | |
| DPSAaS: Multi-Dimensional Data Sharing and Analytics as Services under Local Differential Privacy | Min Xu | 2019/VLDB Endow |
|
多是一些LDP&DP下的数据发布和响应数据查询
| Title | Team/Main Author | Venue and Year | Key Description |
|---|---|---|---|
| AHEAD: Adaptive Hierarchical Decomposition for Range Query under Local Differential Privacy | Linkang Du | 2021/CCS | 主要讲述的是针对LDP下响应范围查询的问题，作者提出了一种自适应构建多层次分析树的方案来提升在LDP下响应范围查询的精度 |
| Answering Multi-Dimensional Analytical Queries under Local Differential Privacy | Tianhao Wang | 2019 | |
| Continuous Release of Data Streams under both Centralized and Local Differential Privacy | Tianhao Wang | 2019 | 主要描述的是在数据流发布环境下如何使用DP和LDP对数据流施加差分隐私保护，同时作者提出了两个框架，一个是基于DP的ToPS框架，一个是基于LDP的ToPL框架 |
| Empirical Risk Minimization in the Non-interactive Local Model of Differential Privacy | Di Wang | 2020 | 这篇文章提出使用内积多项式的形式释放函数，一般是用于分布式学习和联邦学习下，但在响应边缘查询（k-way Margin Query）时也提出了使用内积多项式的形式去简化查询函数（使用数学去定义查询函数），从而提升查询精度 |
|
多是一类分布式与联邦学习下数据聚合方面，但是根据差分隐私与机器学习结合部位的不同（例如：目标函数扰动、输入扰动、梯度扰动、输出扰动）可以用于不同的场景下
| Title | Team/Main Author | Venue and Year | Key Description |
|---|---|---|---|
| Empirical Risk Minimization in the Non-interactive Local Model of Differential Privacy | Di Wang | 2020 | 这篇文章基于前人工作（伯恩斯坦多项式机制、非交互式差分隐私方面等提出了使用内积多项式的方法释放函数，还提出了1-bit的通信方法，能够使泛化误差的上界更为紧致，且对样本量n的依赖度降为多项式级别，但是问题在于这只是理论上的，作者也表明了不知道在现实中的应用效果是怎么样的） |
| Optimal Algorithms for Mean Estimation under Local Differential Privacy | Hilal Asi, V. Feldman, Kunal Talwar | 2022/ICML | 用于处理聚合过程中的均值估计的问题，开发了一种基于高斯机制的PrivUnit方法，通过采样的方式降低噪声引入带来的误差 |
|
问题描述
| Title | Team/Main Author | Venue and Year | Key Description |
|---|---|---|---|
| 1 | 2 | 3 | 4 |
|
这一部分打算将收集到的一些数据和组内写的代码放在这里，数据出处也会进行标明，代码出处当然也会
一些LDP协议的代码库：https://github.com/vvv214/LDP_Protocols