???????motivation：众包数据进行训练过程中，容易造成隐私泄漏。
methods：
- 提出的新算法（LATENT）应用了随机响应的属性——LDP设置和算法的层结构可以使得在不同层级进行隐私保护交流
- 设计了一种新的协议，称为效用增强随机化（UER）
（1）首先对优化的一元编码协议（OUE）进行了改进，提出了一种新的LDP协议modified OUE（MOUE），增强了二进制字符串随机化的灵活性。
（2）OUE是一个LDP协议，遵循随机1和0的不同直觉，以提高效用。
（3）MOUE通过引入一个额外的系数α（隐私预算系数）来实现改进的灵活性，该系数在选择随机化概率时提高了灵活性。 - 然后我们遵循MOUE背后的动机，提出了在高灵敏度的长二进制字符串随机化过程中保持效用的UER。
提出了一个LATENT层，位于flattening层之后，通过加入符合差分隐私的操作之后，当成全连接层的输入。卷积神经网络的结构被划分为：（1）卷积模块（2）随机化模块（3）全连接层。
?LATENT方法：
提出了一种新的方法来进一步优化随机化概率的选择，它可以在位串较长时提供增强的效用。
6.使用一元编码提高效用：使用优化一元编码（OUE）,OUE分别扰动0和1来减少扰动0到1 (p0→1)的概率，因为输入二进制字符串很长时，需要0比1多。
α为MOUE在选择随机概率方面提供了更大的灵活性。通过增加α，我们可以增加0比特在原始状态下传输的概率。
7.提高随机化二进制字符串的效用：虽然MOUE提高了随机输出的效用，但当α较大时，它也可以大量增加1的随机化。根据OUE背后的直觉，通过对1和0进行不同的随机化，MOUE提高了随机化的概率。通过进一步扩展这一思想，我们对二进制字符串的位应用了两个随机化模型，以增强随机化二进制字符串的效用。通过这种方式，我们尝试将位串中的一半随机化，与定理III.4中定义的另一半不同。当α增加时，UER将增加0保持在原始状态的概率。然而，对于字符串的一半，保持1的原始状态的概率增加，而对于字符串的另一半，相应的概率减少。这样，UER将隐私预算维持在ε。
?8.对合并的字符串进行UER：?对合并的二进制字符串的位进行UER: 合并后的二进制串中的每一位都要接受MOUE，如式(6)所示。p越高，二进制串的随机化程度越低。由式(6)可知，ε值越大，l × r值越小，p值越高。在LATENT函数中，l × r是一个比ε大得多的值，而p通常是一个较小的值。MOUE允许LATENT通过校准α微调随机化的概率。通过增加α使其大于5,MOUE降低了干扰0到1的概率。MOUE的这个特性帮助LATENT维护这个实用程序，因为在潜的二进制编码输入中，与1相比，有大量的0。然而，当输入位串中有一半位的输入位为1时，这降低了释放实际位的概率。与RAPPOR相比，LATENT中的二进制字符串有多个1。因此，LATENT可以容忍这种概率损失。因此，UER允许通过改变α，同时保持相同的隐私预算，改变输入位的随机化量。
9.构建模型
随机响应一元编码：对于一个K大小域，每个响应都被编码为K位的长度向量，除了对应于响应方的职业的位置之外，所有位置都为0。在机器学习中，这种表示被称为"one-hot encoding"。
encode- perturb- aggregate：K个长度编码；扰动每一位以确保差分隐私，翻转概率PQ决定了隐私预算epsilon；聚合相加；
https://zhuanlan.zhihu.com/p/466582604
