本文是对差分隐私相关论文的整理，同时涵盖了重要公式的推导和疑难问题的收集。

本文主要囊括了差分隐私相关的背景、原理、公式推导和应用知识，属于阶段性的总结和回顾。

CGAN在训练时存在过渡依赖标签数据的问题，同时在分类结果和判别结果的期望上存在矛盾困境。Triple-GAN通过引入分类器，实现了这两个矛盾的解耦，并设计全新的训练流程，加强了模型训练的收敛性。

本文基于假设检验构建了一个全新的差分隐私保护体系：Gaussian-DP。对于隐私机制的组合，它的表达式相当简单。相比经典的隐私框架，Gaussian-DP可以给出更有象征意义的隐私分析。

本文的关键的思想是选择一个相关的机制 M 来建立一个马尔可夫随机场（MRF），对输入数据的属性之间的相关性进行建模，然后使用MRF来进行数据合成。在统计和分类问题上，PrivMRF方法的精确度会更高。

本文提出了一种把差分隐私和SMC技术联合在一起的方法，这使得在parties的数量增加的时候，可以减少噪声的添加而无需牺牲隐私，同时还能使系统保持预定义的可信度。除此以外，该方法还具备广阔的适应性，能够训练诸多的机器学习模型。

本文提出一种表格形隐私数据的合成方法。首先给出关联性度量标准 InDif，并基于贪心算法实现对符合度量标准的边际的自动过滤、捕捉、选择、合成。PrivSyn 模型在最小化误差和一致性误差两方面做了权衡，同时复杂度要远低于贝叶斯算法和马尔科夫随机场。

本文提出了一种新型的安全数据集成框架，名为DPAFT，具备差分隐私标准和容错度。同时受Diffie-Hellman密钥交换协议的启发，作者为数据集成提出了一种巧妙的约束关系。在这种关系下，DPAFT能够灵活支持故障容错。