motivation：数据集分为有（data,label），文章认为label是更为重要的，所以对于label进行隐私保护。
methods：通过随即响应RR将label随机化进行保护。
这篇文章认为数据集中输入标签Label是敏感的，而输入数据被认为不是敏感的，所以这篇文章只需要保护Label的隐私。
主要的创新点有两个，一个是提出了一个新的基于Label DP的多阶段深度学习算法，另一个是提出了一个带有先验知识Prior的经典随机响应算法。
多阶段的好处：1.先验概率越来越好2.数据集越来越多。会使模型更加好。
下面这个公式是GRR算法，与普通的random response算法相比，这个算法是针对多类别的情况，而RR算法只针对二分类情况。 公式意思是对每个LabelY采用GRR算法生成一个随机的label Y；以P的概率输出Y的值，以1-P的概率随机输出除了Y的值；
1.文章整个流程是算法3213，算法3是文章中多阶段的训练过程，把数据集分成了T份，在每一份中用算法2得到对应的随机标签，之后将T份进行合并，最终利用合并后的数据进行训练。随着数据集合的增多，对于模型训练也是有很大的好处的。
2.算法2的输入是标签y和先验知识，通过计算1-K个Wk,去求一个最大的k值，求和部分是真实标签在Yk中标签对应的概率和。最终目的是利用先验概率使得随机化后的标签y～输出是正确的概率是最大的。而且每一轮的random response都通过上一轮的模型结果得到关于本轮需要进行RR的数据集的先验知识，就是用概率分布来改进本轮随机响应的准确率。
3.算法1意思是如果输入数据标签y属于Yk，则在集合中使用随即响应，如果y不属于Yk，那么其他类别的概率随机从Yk中输出一个label标签。然后再到算法3进行下一轮的一个训练。
