Pricing Private Data with Personalized Differential Privacy and Partial Arbitrage Freeness
将个人数据视为商品的趋势越来越明显。现有的研究已经建立了框架和理论，如何确定一个给定的查询的无仲裁的价格，根据隐私损失量化的差分隐私。然而，这些研究假设数据购买者可以购买查询答案，而数据所有者的任意隐私损失，这在严格的隐私法规和数据所有者日益增加的隐私问题下可能是无效的。在本文中，我们研究了如何授权数据所有者控制数据交易中的隐私损失。首先，我们提出了一个交易个人数据的框架，使数据所有者能够限制他们的个性化隐私损失。其次，由于有界隐私损失表明查询答案的效用有界，因此我们提出了一种合理的无套利放松，称为部分无套利，即，仅对有限范围的公用事业保证无仲裁定价，这为我们的市场设计提供了更多的可能性。第三，为了避免套利，我们提出了一种通用的方法，以确保在个性化差分隐私的套利自由。第四，为了充分利用数据所有者的个性化隐私损失范围，我们提出了隐私预算分配技术来分配隐私损失的查询下套利自由。最后，我们进行实验来验证我们提出的交易协议的有效性。
2021-11-23 cs.CR cs.DB
Echo of Neighbors: Privacy Amplification for Personalized Private Federated Learning with Shuffle Model
Renmin University of China（中国人民大学）；Emory University（埃默里大学）
本文提出APES和S-APES框架，首次利用混洗模型的隐私放大效应，在个性化本地差分隐私下实现更强的中心隐私保障，并通过回声贡献度量和后稀疏化技术提升模型效用。
2023-05-26 cs.CR cs.LG
Trading Location Data with Bounded Personalized Privacy Loss
由于个人数据已经成为数字时代的新石油，因此将个人数据视为商品的趋势越来越明显。虽然有些人愿意用他们的个人数据来换取金钱，但他们可能仍然期望有限的隐私损失，而最大可容忍的隐私损失因个人而异。在本文中，我们提出了一个框架，使个人能够交易他们的个人数据与有限的个性化隐私损失，这提出了在预算分配和仲裁自由方面的技术挑战。为了应对这些挑战，我们提出了两种具有不同优势的无仲裁交易机制。
2019-10-24 cs.CR cs.DB
Probabilistic Matrix Factorization with Personalized Differential Privacy
Anhui University（安徽大学）
概率矩阵分解（PMF）在推荐系统中起着至关重要的作用。它需要大量的用户数据（如用户购物记录和电影评分）来预测个人偏好，从而为用户提供高质量的推荐服务，这暴露了用户隐私泄露的风险。差分隐私作为一种可证明的隐私保护框架，在推荐系统中得到了广泛的应用。不同的个人对项目有不同级别的隐私要求是常见的。然而，传统的差分隐私只能为所有用户提供统一级别的隐私保护。本文主要提出了一种具有个性化差分隐私的概率矩阵分解推荐方案（PDP-PMF）。它旨在满足用户在项目级别指定的隐私要求，而不是为所有人提供相同级别的隐私保证。然后，我们开发了一个修改的采样机制（有界差分隐私）实现PDP。我们还进行了理论分析的PDP-PMF计划，并证明了PDP-PMF计划的隐私。此外，我们实现了传统的和个性化的差分隐私（DP-PMF，PDP-PMF）的概率矩阵分解方案，并通过一系列的实验进行比较。实验结果表明，PDP-PMF方案在保护用户隐私方面表现良好，推荐质量明显优于DP-PMF方案。
2018-10-19 cs.CR cs.LG
Exploring CKKS Parameter Trade-offs for Privacy-Preserving Personalized Federated Learning
College of Computing, Prince of Songkla University（宋卡王子大学计算学院）；School of Informatics, Walailak University（瓦拉耶功大学信息学院）
提出pFedCKKS框架，系统研究CKKS同态加密在个性化联邦学习中的参数选择，揭示精度与计算/通信成本间的权衡，并给出实用参数选择指南。
2026-06-07 cs.CR
Personalized w-Event Privacy for Infinite Stream Estimation
Hunan University（湖南大学）；Tongji University（同济大学）；HKUST (GZ)（香港科技大学（广州））；HKUST（香港科技大学）；Shanghai Jiaotong University（上海交通大学）；Xi’an Jiaotong University（西安交通大学）
本文研究了个性化w-事件隐私在私有数据流估计中的应用，设计了PWSM机制并提出PBD和PBA算法，实现了动态调整隐私要求并满足个性化差分隐私，实验表明方法能显著降低估计误差。
2026-08-21 cs.CR cs.DB cs.IR
Privacy in Personalized AI Is a System Property, Not Just a Model Property
SJTU Paris Elite Institute of Technology（上海交通大学巴黎卓越工程师学院）；Kibo Ryoku Research（Kibo Ryoku研究院）
本文主张个性化AI的隐私应从系统层面审视，而非仅模型层面，提出四个隐私风险渠道及四项系统级评估要求，以完善隐私审计。
2026-10-01 cs.CR cs.IR cs.LG
A Generative Framework for Personalized Learning and Estimation: Theory, Algorithms, and Privacy
University of California, Los Angeles（加州大学洛杉矶分校）
联邦学习的一个显著特征是（本地）客户端数据可能具有统计异质性。这种异质性激发了个性化学习的设计，其中通过协作来训练个体（个性化）模型。已经有各种个性化的方法在文献中提出，看似非常不同的形式和方法，从使用一个单一的全球模型的局部正则化和模型插值，使用多个全球模型的个性化聚类等，在这项工作中，我们开始与生成框架，可能会统一几个不同的算法，以及建议新的算法。我们将我们的生成框架应用于个性化估计，并将其与经典的经验贝叶斯方法相结合。我们在这个框架下开发私人个性化的估计。然后，我们使用我们的生成框架的学习，它统一了几个已知的个性化FL算法，并提出了新的，我们提出并研究了一个新的算法AdaPeD的基础上的知识蒸馏，它在数值上优于几个已知的算法。我们还为个性化学习方法开发隐私，保证用户级隐私和组成。我们数值评估的性能以及隐私的估计和学习问题，证明我们所提出的方法的优点。
2022-07-05 cs.CR cs.LG stat.ML
Differential Privacy Personalized Federated Learning Based on Dynamically Sparsified Client Updates
Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所）；School of Cyber Security, University of Chinese Academy of Sciences（中国科学院大学网络空间安全学院）；No.208 Research Institute of China Ordnance Industries（中国兵器工业第二〇八研究所）
针对差分隐私个性化联邦学习中个性化不足及隐私与性能平衡欠佳的问题，提出DP-pFedDSU方法，通过重参数化和自适应范数动态稀疏化客户端更新，有效减少噪声并提升模型性能。
2025-04-27 cs.CR cs.LG
TPMDP: Threshold Personalized Multi-party Differential Privacy via Optimal Gaussian Mechanism
本文提出阈值个性化多方差分隐私框架TPMDP，通过最优高斯机制和线性规划高效求解，在支持个性化隐私预算和合谋阈值的同时实现低效用损失。
2023-05-30 cs.CR cs.MA
Towards Privacy-Preserving and Personalized Smart Homes via Tailored Small Language Models
Department of Computing, The Hong Kong Polytechnic University（计算机系，香港理工大学）
针对智能家居LLM助手的隐私泄露问题，提出基于定制SLM的设备端助手HomeLLaMA与可选隐私保护服务PrivShield，并构建DevFinder基准验证其能在提供个性化服务的同时显著增强用户隐私。
2025-07-10 cs.AI cs.CR
Privacy Preserving Machine Learning Model Personalization through Federated Personalized Learning
American International University-Bangladesh（孟加拉国美国国际大学）；North South University（北南大学）
本文通过PPMLFPL框架分析隐私保护下的机器学习模型个性化方法，比较APPLE+DP与APPLE+HE算法，发现前者执行效率高，后者整体表现更优，为隐私保护个性化学习提供实践指导。
2025-05-03 cs.CR cs.DC cs.LG
FT-PrivacyScore: Personalized Privacy Scoring Service for Machine Learning Participation
UMBC（马里兰大学巴尔的摩分校）
针对受控数据访问模式下个体数据贡献者无法量化参与机器学习任务的隐私风险这一问题，研究团队开发了FT-PrivacyScore演示原型，可高效定量评估参与模型微调任务的隐私风险，源代码将开源。
2024-10-30 cs.CR cs.LG
Local Generalization and Bucketization Technique for Personalized Privacy Preservation
匿名化技术在隐私保护数据发布中得到了广泛的研究和应用。在大多数以前的方法中，微数据表由三类属性组成：显式标识符，准标识符（QI）和敏感属性。事实上，不同的人对不同属性的敏感性可能有不同的看法。因此，存在另一种同时包含QI值和敏感值的属性，即半敏感属性。基于这样的观察，我们提出了一种新的匿名化技术，称为局部泛化和桶化，以防止身份泄露，并保护每个半敏感属性和敏感属性上的敏感值。其基本原理是使用局部泛化和局部桶化将元组划分为局部等价组，并将敏感值分别划分为局部桶。局部泛化保护和局部桶化保护是独立的，因此它们可以分别由适当的算法实现，而不会削弱其他保护。此外，每个半敏感属性和敏感属性的局部桶化保护也是独立的。因此，局部桶化可以根据匿名化的实际需求，在不同的属性下遵循不同的原则。大量的实验结果表明了该方法的有效性。
2020-08-25 cs.CR
Personalized Differential Privacy for Ridge Regression
Georgia Institute of Technology（佐治亚理工学院）；CISPA Helmholtz Center for Information Security（CISPA亥姆霍兹信息安全中心）
针对差分隐私统一隐私水平限制准确率的问题，提出支持逐点设置隐私水平的PDP-OP方法，给出理论保证并通过实验验证其能优化隐私-准确率权衡、优于现有方法。
2024-01-30 cs.CR cs.CY cs.LG
Privacy-Preserving Load Forecasting via Personalized Model Obfuscation
University of California, Santa Cruz（加州大学圣克鲁兹分校）；Argonne National Laboratory（阿贡国家实验室）
本文提出隐私保护联邦学习（PPFL），通过个性化层和差分隐私机制在异构智能电表数据上实现短期负荷预测，并在NREL ComStock数据集上验证了其有效性。
2023-11-21 cs.CR cs.LG
Differential Privacy in Personalized Pricing with Nonparametric Demand Models
New York University（纽约大学）；McGill University（麦吉尔大学）；University of Florida（佛罗里达大学）
近几十年来，信息技术的进步和丰富的个人数据为算法个性化定价的应用提供了便利。然而，这导致人们越来越担心对抗性攻击可能侵犯隐私。针对隐私问题，研究了数据隐私保护下\textit{unknown}非参数需求模型下的动态个性化定价问题.介绍了两种在实践中得到广泛应用的数据隐私概念：\textit{central differential privacy (CDP)}和\textit{local differential privacy (LDP)}，在许多情况下，\textit{local differential privacy (LDP)}被证明比CDP更强。我们开发了两个算法，使定价决策和学习的未知需求的飞行，同时满足CDP和LDP guarantees分别。特别地，对于具有CDP保证的算法，证明了遗憾最多为$\tilde O(T^{(d+2)/(d+4)}+\varepsilon^{-1}T^{d/(d+4)})$。这里，参数$T$表示时间范围的长度，$d$是个性化信息向量的维度，并且关键参数$\varepsilon>0$测量隐私的强度（较小的$\varepsilon$表示较强的隐私保护）。另一方面，对于具有LDP保证的算法，证明了其遗憾最多为$\tilde O(\varepsilon^{-2/(d+2)}T^{(d+1)/(d+2)})$，这是近优的，因为我们证明了任何具有LD…
2021-09-10 cs.CR cs.LG stat.ML
Cross-silo Federated Learning with Record-level Personalized Differential Privacy
Renmin University of China（中国人民大学）；Zhejiang University（浙江大学）；Emory University（埃默里大学）
本文针对跨孤岛联邦学习提出 rPDP-FL 框架，通过客户端级均匀采样与记录级非均匀采样实现记录级个性化差分隐私，并利用 Simulation-CurveFitting 建模采样概率与隐私预算的非线性关系，显著提升模型性能。
2024-06-29 cs.AI cs.CR cs.LG
Towards Personalized Differentially Private Learning for Decentralized Local Graphs
School of Computer Science, Beijing University of Posts and Telecommunications（北京邮电大学计算机学院）；State Key Laboratory of Networking and Switching Technology, Beijing University of Posts and Telecommunications（北京邮电大学网络与交换技术国家重点实验室）；School of Cyber Science and Technology, Shandong University（山东大学网络空间安全学院）；School of Cyberspace Security, Beijing University of Posts and Telecommunications（北京邮电大学网络空间安全学院）；Department of Computer Science, University of Illinois at Chicago（伊利诺伊大学芝加哥分校计算机科学系）
研究去中心化局部图隐私学习问题，提出PPGNN框架，含个性化扰动机制和加权校准策略，能平衡隐私保护与数据效用。
2026-07-07 cs.CR cs.LG
Privacy Assessment of Federated Learning using Private Personalized Layers
Univ Lyon（里昂大学）；INSA Lyon（里昂国立应用科学学院）；Inria（法国国家信息与自动化研究所）；Inserm（法国国家健康与医学研究院）
针对联邦学习中的推理攻击，本文评估私有个性化层在效用与隐私上的权衡，实验表明其可加快收敛、略微提升准确率，并优于局部差分隐私方案。
2021-09-26 cs.AI cs.CR cs.LG
Personalized DP-SGD using Sampling Mechanisms
KAIST（韩国科学技术院）
本文扩展DP-SGD以支持($Φ$,$Δ$)-个性化差分隐私，通过在DP-SGD迭代中嵌入多轮个性化采样机制，满足用户不同隐私级别需求，显著提升了模型性能与效率。
2023-05-24 cs.AI cs.CR cs.LG
Privacy-Preserving Cohort Analytics for Personalized Health Platforms: A Differentially Private Framework with Stochastic Risk Modeling
本文提出了一种结合差分隐私和随机风险建模的隐私保护队列分析框架，用于在保障隐私的同时实现个性化健康平台的人群比较。
2026-01-17 cs.CR stat.AP stat.ME
Enhanced Privacy Bound for Shuffle Model with Personalized Privacy
针对shuffle模型在个性化本地隐私设置下隐私界不紧致的问题，通过假设检验精确推导克隆生成概率，并在$f$-DP框架下利用分布凸性分析不可区分性，提出一般且更紧致的隐私界，显著优于现有结果。
2024-07-25 cs.CR cs.DB
DPIVE: A Regionalized Location Obfuscation Scheme with Personalized Privacy Levels
网络物理系统的普及正在推动基于位置的服务的快速增长。这带来了位置隐私泄露的风险。有效的隐私保护对于各种移动应用程序来说是最重要的。最近，地理不变性和预期的推理误差被提出来限制位置泄漏。在本文中，我们认为，个性化意味着区域化的地理不变性，我们提出了一个区域化的位置混淆机制，称为DPIVE与个性化的效用敏感性。这实质上纠正了Yu等人在NDSS 2017上提出的PIVE框架的差异和失真隐私问题。我们开发DPIVE分为两个阶段。在第一阶段，我们通过划分所有可能的位置来确定不相交的集合，使得同一集合中的不同位置共享保护位置集合（PLS）。在第二阶段，我们构造了一个概率分布矩阵，其中对应于同一PLS的行有自己的效用灵敏度（PLS直径）。此外，通过设计QK-means算法在二维空间中获得更多的搜索空间，我们改进了DPIVE，细化了位置划分，提出了细粒度的个性化，使每个位置都有自己的隐私级别，并赋予定制的隐私预算。两个公共数据集的实验表明，我们的机制具有优越的性能，通常在倾斜的位置。
2022-10-08 cs.CR cs.DB
Privacy-Preserving Dynamic Personalized Pricing with Demand Learning
New York University（纽约大学）；Massachusetts Institute of Technology（麻省理工学院）；University of Florida（佛罗里达大学）
电子商务的普及使零售商能够随时获得详细的客户个人信息，这些信息已被广泛用于定价决策。当涉及到个性化信息时，如何保护这些信息的隐私权成为实践中的一个关键问题。在本文中，我们考虑一个动态定价问题的$T$时间段与\emph{unknown}需求函数的价格和个性化的信息。在每次$t$，零售商观察到达的顾客的个人信息并提供价格。然后，顾客做出购买决策，零售商将利用该决策来学习潜在的需求函数。在此过程中可能存在严重的隐私问题：第三方代理可能会从定价系统的价格变化中推断出个性化信息和购买决策。利用计算机科学中的差分隐私的基本理论框架，提出了一种隐私保护的动态定价策略，该策略在保证零售商收益最大化的同时，避免了个体消费者信息和购买决策信息的泄露。为此，我们首先介绍了\emph{anticipating} $(\varepsilon, δ)$的概念-差分隐私，是专为动态定价问题。我们的政策实现了隐私保证和遗憾方面的性能保证。粗略地说，对于$d$维的个性化信息，当客户信息被逆向选择时，我们的算法达到了$\tilde{O}(\varepsilon^{-1} \sqrt{d^3 T})$量级的期望遗憾。对于随机的个性化信息，遗憾界可以进一步改进为$\tilde{O}(\sqrt{d^2T} + \varepsilon^{-2} d^2)$
2021-07-25 cs.CR cs.GT cs.LG
MemPrivacy: Privacy-Preserving Personalized Memory Management for Edge-Cloud Agents
MemTensor (Shanghai) Technology Co., Ltd.（MemTensor（上海）科技有限公司）；HONOR Device Co., Ltd.（HONOR设备有限公司）；Tongji University（同济大学）
MemPrivacy通过在边缘设备上识别隐私敏感内容并用语义结构化的占位符替代，实现隐私保护与语义保留的平衡，提升边缘-云代理的隐私安全与个性化内存效率。
2026-05-14 cs.CL cs.CR
Group privacy for personalized federated learning
Scuola Normale Superiore（比萨高等师范学校）；INRIA（法国国家信息与自动化研究所）；École Polytechnique（巴黎综合理工学院）；Scuola Superiore Sant’Anna（圣安娜高等学校）
联邦学习（FL）是一种协作式机器学习，其中参与的对等体/客户端在本地处理其数据，仅共享对协作模型的更新。这使得能够构建隐私感知的分布式机器学习模型等。目标是通过最小化由一组客户端本地存储的数据集集合的成本函数来优化统计模型的参数。这个过程暴露给客户端两个问题：隐私信息的泄漏和缺乏个性化的模型。另一方面，随着最近各种数据分析技术的进步，人们对参与客户端的隐私侵犯的担忧激增。为了缓解这种情况，差分隐私及其变体作为提供正式隐私保证的标准。通常，客户端代表非常异构的社区，并持有非常多样化的数据。因此，与FL社区最近关注的为代表其多样性的用户构建个性化模型框架相一致，保护客户的敏感和个人信息免受潜在威胁也至关重要。为了实现这一目标，我们考虑$d$ -隐私，也被称为度量隐私，这是本地差分隐私的变体，使用基于度量的混淆技术，保留了原始数据的拓扑分布。为了解决保护客户隐私和允许个性化模型训练以增强系统的公平性和实用性的问题，我们提出了一种利用$d$的一些关键属性来提供组隐私保证的方法。隐私，使个性化模型的框架下的FL。我们提供了理论的适用性和实验验证的真实数据集上说明的工作，我们的方法
2022-09-04 cs.AI cs.CR cs.LG
FedP3: Federated Personalized and Privacy-friendly Network Pruning under Model Heterogeneity
KAUST（阿卜杜拉国王科技大学）；Sony AI（索尼人工智能公司）
针对联邦学习中客户端系统异构性导致需定制个性化模型的问题，提出适配模型异构场景的联邦个性化隐私友好剪枝框架FedP3及其本地差分隐私变体DP-FedP3，并完成理论验证。
2024-04-15 cs.CR cs.LG
Limits of Personalizing Differential Privacy Budgets
CNRS, LAMSADE, Dauphine-PSL（法国国家科学研究中心、拉马萨德研究所、巴黎-萨特大学）；Georgia Institute of Technology（佐治亚理工学院）
本文研究了个性化差分隐私预算的局限性，指出在均值估计中，选择合适的有效隐私预算比完全个性化更重要，通过阈值操作可实现改进，且在混合私有和公开数据集及多级隐私要求中量化了改进效果。
2026-05-13 cs.CR cs.LG
Generating Privacy-Preserving Personalized Advice with Zero-Knowledge Proofs and LLMs
The Japan Research Institute, Ltd.（日本研究机构有限公司）
提出结合零知识证明（zkVM）与LLM聊天机器人的框架，通过验证用户特征而不泄露敏感信息，实现隐私保护的数据共享，并实证评估了其性能与可行性。
2025-04-24 cs.AI cs.CR
PEARL: Structural Privacy-Utility Control in Human-Centric CPS via Personalized Early-Exit Deep Reinforcement Learning
University of California, Irvine（加利福尼亚大学欧文分校）
PEARL通过边缘双路径早退深度Q网络，利用互信息训练效用与隐私置信标签，在推理时选择最浅退出分支，实现结构隐私控制，平均降低25.67%推理准确率，效用成本仅10-16%。
2026-09-14 cs.CR cs.HC cs.LG
Personalized Privacy Amplification via Importance Sampling
Elekta（医科达）；KTH Royal Institute of Technology（瑞典皇家理工学院）；Linköping University（林雪平大学）；Uppsala University（乌普萨拉大学）
本文研究重要性采样的隐私属性，提出两种采样分布构建方法以优化隐私-效率权衡或基于核心集效用保证，实验表明在差分隐私k均值问题上优于均匀采样。
2025-03-28 cs.CR cs.LG stat.ML
FedRLHF: A Convergence-Guaranteed Federated Framework for Privacy-Preserving and Personalized RLHF
National University of Singapore（新加坡国立大学）；CFAR, A*STAR（新加坡科技研究局CFAR）；ETH Zurich（苏黎世联邦理工学院）
本文提出FedRLHF框架，通过联邦学习将RLHF去中心化，在保护隐私的同时实现个性化策略学习，并提供收敛保证与样本复杂度界，实验证明其性能可与集中式RLHF相媲美。
2025-02-08 cs.AI cs.CR cs.LG
On the differential privacy of dynamic location obfuscation with personalized error bounds
本文分析了动态位置混淆机制 PIVE 的差分隐私缺陷，证明其无法在自适应保护位置集上提供所声称的隐私保证，并提出修正方法并分析其隐私特性与优缺点。
2022-06-30 cs.CR cs.DB
Personalized Social Recommendations - Accurate or Private?
随着最近像Facebook这样的社交网络的兴起，新形式的推荐已经成为可能--个性化的广告推荐、内容推荐，甚至是基于一个人的社交互动的新朋友和产品联系。由于推荐可能使用敏感的社交信息，因此推测这些推荐与隐私风险相关。这项工作的主要贡献是在正规化这些预期的权衡之间的准确性和隐私的个性化社会建议。在本文中，我们研究是否“社会建议”，或建议，完全基于用户的社交网络，可以在不披露敏感的链接在社交图。更准确地说，我们量化的效用损失时，现有的推荐算法进行修改，以满足一个强有力的隐私概念，称为差分隐私。我们证明了任何推荐算法的最小效用损失的下界是差异私人。我们适应两个隐私保护算法的差分隐私文献的社会建议的问题，并分析其性能的下限相比，分析和实验。我们表明，良好的私人社交推荐仅适用于社交网络中的一小部分用户或宽松的隐私参数设置。
2011-05-21 cs.CR cs.DB cs.SI
PrivFedTalk: Privacy-Aware Federated Diffusion with Identity-Stable Adapters for Personalized Talking-Head Generation
Engineering Sciences, Homi Bhabha National Institute（霍米·巴巴国立研究所工程科学系）
本文提出PrivFedTalk框架，结合条件潜在扩散模型与参数高效的身份适应，解决个性化说话头生成中的隐私问题，通过身份稳定联邦聚合和时间去噪一致性正则化提升性能。
2026-04-09 cs.AI cs.CR cs.CV
Personalized Privacy Auditing and Optimization at Test Time
Syracuse University（雪城大学）
许多用于后续领域的学习模型，例如帮助法律，银行，招聘和医疗保健决策，利用潜在的敏感用户信息来进行推理。此外，通常需要完整的特征集来执行推断。这不仅给使用学习系统的个人带来了严重的隐私风险，而且还需要公司和组织大量的人力来验证发布信息的正确性。本文询问是否有必要要求\emph{all}输入功能的模型在测试时返回准确的预测，并表明，在个性化的设置下，每个人可能需要释放这些功能的一小部分，而不会影响最终的决定。本文还提供了一个有效的顺序算法，选择哪些属性应该由每个人提供。对几个学习任务的评估表明，个人可能能够报告少至10%的信息，以确保使用完整用户信息的模型的相同水平的准确性。
2023-01-31 cs.AI cs.CR cs.LG
Randomized algorithms for precise measurement of differentially-private, personalized recommendations
Apple（苹果公司）
本文提出一种支持精确测量且满足差分隐私的个性化推荐随机化算法，通过广告场景离线实验，量化了其对用户体验、广告主价值和平台收入等关键指标的影响。
2024-01-06 cs.CR cs.IR cs.LG
Privacy-preserving patient clustering for personalized federated learning
Columbia University（哥伦比亚大学）；New York Genome Center（纽约基因组中心）
针对医疗场景下聚类联邦学习需交换患者数据引发的隐私问题，本研究提出基于安全多方计算的PCBFL框架，在保护隐私的同时实现患者聚类，较现有框架显著提升死亡率预测性能。
2023-07-17 cs.CR cs.LG
Blinder: End-to-end Privacy Protection in Sensing Systems via Personalized Federated Learning
University of Alberta（阿尔伯塔大学）
本文提出基于个性化联邦学习的传感器数据匿名化模型Blinder，通过变分自编码器与判别器对抗训练及元学习适配用户分布，在IMU数据集上实现端到端隐私保护，兼顾低开销与实时边缘部署。
2023-10-06 cs.CR cs.LG
What to Remember, What to Reveal: Privacy-Aware Memory for Conversational Agents
ShanghaiTech University（上海科技大学）
该研究针对对话智能体的隐私风险，提出SP-Mem隐私感知记忆架构，通过全生命周期隐私设计实现更强个性化并减少不必要隐私暴露，还构建了相关基准。
2026-08-18 cs.CR
FedEgo: Privacy-preserving Personalized Federated Graph Learning with Ego-graphs
Sun Yat-sen University（中山大学）
图作为包含结构和特征信息的特殊信息载体，在图挖掘中有着广泛的应用，图神经网络。然而，在一些实际场景中，图数据被单独存储在多个分布式方中，由于利益冲突，这些数据可能不会直接共享。因此，联邦图神经网络被提出来解决这样的数据筒仓问题，同时保护每一方（或客户端）的隐私。然而，不同方之间的不同图数据分布，这被称为统计异质性，可能会降低像FedAvg这样的朴素联邦学习算法的性能。在本文中，我们提出了FedEgo，一个基于自我图的联邦图学习框架来解决上述挑战，每个客户端将训练他们的本地模型，同时也有助于训练一个全球模型。FedEgo将GraphSAGE应用于自我图，以充分利用结构信息，并利用Mixup解决隐私问题。为了处理统计异质性，我们将个性化学习，并提出了一个自适应的混合系数策略，使客户端实现其最佳个性化。大量的实验结果和深入的分析证明了FedEgo的有效性。
2022-09-09 cs.CR cs.LG
Differentially Private Graph Diffusion with Applications in Personalized PageRanks
Georgia Institute of Technology（佐治亚理工学院）
针对图扩散发布可能泄露敏感链接信息的问题，提出带边级差分隐私的图扩散框架，通过迭代注入拉普拉斯噪声、基于度的阈值函数及无穷瓦瑟斯坦距离跟踪优化隐私分析，在真实数据上验证了其在个性化PageRank任务中的隐私-效用优势。
2025-02-18 cs.CR cs.IR cs.LG
Client Clustering Meets Knowledge Sharing: Enhancing Privacy and Robustness in Personalized Peer-to-Peer Learning
Imperial College London（伦敦帝国学院）
本文提出完全去中心化的 P4 方法，通过隐私保护的客户端聚类与差分隐私知识蒸馏，在资源受限 IoT 对等学习中提升个性化准确率、隐私性及抗投毒攻击鲁棒性。
2025-10-20 cs.AI cs.CR cs.LG
Let's Measure the Elephant in the Room: Facilitating Personalized Automated Analysis of Privacy Policies at Scale
University of Oxford（牛津大学）
本文提出神经符号系统PoliAnalyzer，通过NLP提取隐私政策形式化表示并与用户偏好进行逻辑合规分析，在大规模网站隐私政策中实现高准确率的个性化自动分析，显著降低用户认知负担。
2025-07-15 cs.CL cs.CR cs.CY
Personalizing Agent Privacy Decisions via Logical Entailment
University of Southern California（南加州大学）；Google Research（谷歌研究院）
本文提出ARIEL框架，结合LLM与规则逻辑，实现结构化个性化隐私决策，实验显示其在适当判断的F1误差率上降低40.6%。
2026-03-16 cs.CR
Improving User Privacy in Personalized Generation: Client-Side Retrieval-Augmented Modification of Server-Side Generated Speculations
University of Massachusetts Amherst（马萨诸塞大学阿姆赫斯特分校）
P³通过客户端侧检索增强修改服务器侧生成的推测，实现高质量个性化生成并提升隐私保护。
2026-01-24 cs.AI cs.CL cs.CR
MaskClaw: Edge-Side Personalized Privacy Arbitration for GUI Agents with Behavior-Driven Skill Evolution
Beijing University of Posts and Telecommunications（北京邮电大学）
提出MaskClaw，一种在边端进行隐私仲裁的GUI代理框架，通过本地视觉证据提取、策略记忆检索和沙箱门控的技能进化，在截图离开信任环境前决定允许、遮蔽或询问，解决了静态PII检测和云端推理的隐私边界问题。
2026-05-29 cs.CL cs.CR
Advancing Personalized Federated Learning: Group Privacy, Fairness, and Beyond
Scuola Normale Superiore（比萨高等师范学校）；Scuola Superiore Sant’Anna（圣安娜高等研究学院）；INRIA（法国国家信息与自动化研究所）；École Polytechnique（巴黎综合理工学院）
本文针对联邦学习中个性化、隐私保护与公平性的三元冲突，提出基于 d-privacy（度量隐私）的方法，在实现个性化联邦训练和正式隐私保证的同时，显著提升群体公平性，并通过理论和实验验证其有效性。
2023-09-01 cs.CR cs.CY cs.LG
Personalized and Private Peer-to-Peer Machine Learning
INRIA；EPFL（瑞士联邦理工学院）；Université de Lille（里尔大学）
本文提出一种高效算法，实现去中心化且异步的个性化机器学习，在强隐私要求下保证收敛性。通过差分隐私保护数据隐私，并分析隐私与效用的平衡。实验表明，在非隐私情况下优于先前方法，隐私约束下可显著提升模型性能。
2018-02-19 cs.CR cs.DC cs.LG
GPFL: Simultaneously Learning Global and Personalized Feature Information for Personalized Federated Learning
Queen’s University Belfast（贝尔法斯特女王大学）；Louisiana State University（路易斯安那州立大学）；Shanghai Jiao Tong University（上海交通大学）
针对现有pFL方法仅提取全局或个性化特征信息的问题，提出GPFL方法，在每个客户端同时学习全局和个性化特征信息，在六个数据集上优于十种先进方法，准确率提升最高8.99%。
2023-10-14 cs.CR cs.DC cs.LG
DP$^2$-FedSAM: Enhancing Differentially Private Federated Learning Through Personalized Sharpness-Aware Minimization
The University of Texas at San Antonio（德克萨斯大学圣安东尼奥分校）
本文提出DP$^2$-FedSAM，结合个性化部分模型共享与锐度感知最小化，在差分隐私联邦学习中减轻噪声与裁剪影响，提升模型效用，尤其在数据异构场景下改善隐私-效用权衡。
2024-09-20 cs.CR cs.DC cs.LG
Privacy in Metalearning and Multitask Learning: Modeling and Separations
Rice University（莱斯大学）；Hariri Institute for Computing at Boston University（波士顿大学哈里里计算研究所）；Boston University（波士顿大学）；Northeastern University（东北大学）；Simons Institute for the Theory of Computing（西蒙斯理论计算研究所）；Khoury College of Computer Sciences, Northeastern University（东北大学库尔计算机科学学院）；Google（谷歌）
本研究系统研究差分隐私下的个性化学习，构建形式框架分类体系，并证明私有多任务学习与私有元学习之间存在新颖分离。
2024-12-16 cs.CR cs.LG
User Consented Federated Recommender System Against Personalized Attribute Inference Attack
Department of CSE, HKUST（香港科技大学计算机科学与工程系）
针对联邦推荐系统中属性推断攻击和用户隐私偏好差异问题，提出用户同意的联邦推荐系统UC-FedRec，通过最小化准确度代价灵活满足隐私需求，实验证明其高效灵活。
2023-12-23 cs.CR cs.IR cs.LG
