相较于常规的本地机器学习模型，分布式学习模型对于隐私保护有着更高的要求，除了要预防成员推理攻击之外，还需要考虑主体之间的串通攻击。本文采用拉普拉斯机制，提出一种分布式数据分析方法，能够在保持用户数据的最佳效用的前提下、不依赖于任何受信方、且只要解密密钥保持隐秘，就能生成抵抗“串通”的拉普拉斯噪声。

在差分隐私和深度学习中，模型的效用和隐私的保护往往难以兼得，两者之间存在一个trade-off的关系。本文提出了一种创新的思路，在给定一组隐私约束的情况下，使得模型准确性的损失最小化。这是今后ML with DP 领域中一个热门的研究点。

将差分隐私技术应用于生成对抗网络（GAN）的首次尝试。提出向鉴别器的梯度进行脱敏处理，并将WGAN框架的lipschitz连续值作为梯度的敏感度，从而减少引入过量噪声的风险。

差分隐私和深度学习结合的开篇之作，首次提出对模型梯度裁切、添加噪声的脱敏算法，Moments Accountant 给出相比强组合定理更紧的隐私保护上界。

决策树学习的目的是为了产生一棵泛化能力强，即处理未见示例能力强的决策树，其基本流程遵循简单且直观的“分而治之”策略