该研究讨论了如何在具有隐私敏感性的人群中设计调查，提出了一种不同 ially private peer-prediction 机制来支持 Bayes-Nash 均衡下每个个体的隐私，实现了对人口统计数据的精确估算。

Apr, 2014

本次研究讨论如何在无限供应的物品定价拍卖中最大化收益并保护买家隐私，提出了一种新算法，提供了不同隐私保证的指数权重元算法，对于收益函数的间断问题进行了缓解，其结构类似于指数机制，适用于买家分阶段进行竞标的情况，具有次线性的遗憾率。

May, 2023

数据市场通过去中心化数据交换来实现应用程序（例如预测、学习或推断）的目的。然而，相关研究通常忽视了数据相似性如何通过统计信息泄露影响定价和数据价值，我们提出了一个使用局部差分隐私的查询 - 响应协议，该协议用于双方数据获取机制的市场设计，进一步分析了数据相似性对市场参与和交换数据价值的影响。

Dec, 2023

本篇论文提出了一种新的建模隐私保护的方式，通过在玩家的效用函数中引入隐私代价，基于此提出了三种保证机制使得机制既能保证差分隐私，又能保证数据的真实性，实验表明该方法在玩家数量增加时能逐步优化社会效益。

Nov, 2011

考虑在个人具有隐私意识的前提下进行全民调查，在引入随机化方式和特殊的代价计算方式的基础上成功构建了一种非直接回答机制，实现了针对人口统计的可行性研究。

Feb, 2012

该论文提出了一种模拟现实世界数据市场的模型，研究了买家之间存在的负向外部性问题，进而探讨了不同干预市场方式下的 Nash 均衡状态及社会福利最优的情况，并给出了一种适用于未知估值的在线学习算法。

Feb, 2023

本文提出了一种使用配对比较的机制设计，该机制设计针对变量质量的定制商品，在任何具有定制商品的场景中具有广泛适用性，并在多标签毒性注释数据上进行了实验。

Jun, 2023

提出了一种经济解决方案，通过运用计算机科学中的生产模型来降低公布数据的隐私成本，达到精确统计和保护隐私的双重目标。在美国统计项目中应用了这一框架，但更好的理解隐私和统计准确性的购买意愿，对此提出了一个需要进一步探讨的方向。

Aug, 2018

本论文提出了一种新的拍卖模型，通过使用拍卖者在拍卖时获得的某些侧面信息来区分事先相同的竞标人，通过拓展 Dhangwatnotai et al. 和 Cole 和 Roughgarden 的样本复杂度方法来获得了几乎匹配的上限和下限，使用经验风险最小化技术来改进 Cole 和 Roughgarden 的样本复杂度界限。

Nov, 2015

本文研究一种情景，软件代理机器人实施后悔最小算法，代表他们的用户进行重复拍卖。研究一价和二价拍卖及其广义版本。使用理论分析和模拟，结果表明在二价拍卖中，玩家有激励向其自己的学习代理机器人提供不真实的估值，而在一价拍卖中，对于所有玩家真实报告其估值是一种占优策略。

Oct, 2021