差分隐私作为一种严格的隐私保护框架，近年来在机器学习、联邦学习和数据发布等领域得到广泛应用。其核心思想是通过向查询结果中添加精心校准的噪声，以数学方式保证单个数据点的隐私泄露风险可控，同时保留数据的统计可用性。
- 近期研究进展主要体现在以下几个方面：
- 模型无关推理与隐私保护：SharedRequest 提出一种面向大语言模型（LLM）的推理框架，通过用户请求间的隐私预算分配和共享噪声注入，在不牺牲模型效用的情况下保护用户查询隐私，适用于黑盒API场景。
- 异构联邦学习下的隐私优化：IntraShuffler 针对联邦学习中各客户端拥有不同隐私预算和敏感度的问题，提出一种异构差分隐私框架，通过本地混洗与自适应噪声机制，在保护隐私的同时提升了模型精度。
- 隐私审计与实用性改进：Lumberjack 改进了差分隐私随机森林的构建方法，利用树内重击（intra-tree perturbations）检测机制，在保持隐私预算不变的情况下显著提高了预测性能。
当前焦点在于平衡隐私保护强度与数据实用性之间的权衡。例如，多样性可检测性 提出一种单次运行隐私审计方法，通过改进金丝雀（canary）生成策略，更准确地检测差分隐私实现中的隐私泄露，但该方法也可能暴露过度的隐私预算信息。此外，北大数院苏炜杰加入OpenAI 反映了差分隐私人才正受到业界重视，尤其是在安全AI训练和推理中的实际部署。未来观察点包括：差分隐私在数据市场（如 CHRONOS 中的时序隐私协调）和多智能体系统（如 SS-ZKR 中的语义零知识路由）中的扩展应用，以及统计嵌入方法（如 统计嵌入）如何与差分隐私结合实现可解释的隐私保护数据检索。