本文综述差分隐私与算法公平性的关系：差分隐私在基线设置下可能扩大组间性能差异，在鲁棒设置下则可缩小差异，因其具有正则化效应。研究还涉及数据不平衡、隐私保证、对抗性公平分类、公平性的隐私成本，以及DP-SGD与目标扰动机制的比较，并探讨敏感属性受限时的公平学习算法及隐私、公平与效用间的权衡。