此篇论文证明了经典的 Johnson-Lindenstrauss 变换具备保护差分隐私的新途径，同时将其应用于近似割查询和矩阵方向方差的估计，并提供了一种公开的方式来保证矩阵的奇异值满足上界。

Apr, 2012

本文提出了在流模型中使用哈希和本地密集方法构造的 Johnson-Lindenstrauss 变换的稀疏版本，其每列仅具有 $\tilde {O}(\frac {1}{\epsilon})$ 非零条目，可以实现 $(1±\epsilon)$- 近似投影的更新时间为 $\tilde {O}(\frac {1}{\epsilon})$，这大大优于以前的方法所需的 $\tilde {O}(\frac {1}{\epsilon^2})$ 更新时间。

Apr, 2010

利用 Banach 空间中的概率新工具，将随机投影问题的研究推进到一个新的水平。其主要结果是可以线性映射任意 $N$ 个 $n$ 维实向量到一个 $O (log N polylog (n))$ 线性空间中，并在保持向量之间距离一定畸变的同时，对每个向量的映射可以在 $O (n log n)$ 时间内完成。

May, 2010

通过向数据集添加噪音或映射到低维子空间，使用条件互信息作为隐私保护度量，研究线性回归问题的差分隐私问题与非协同 SIMO 问题之间的联系。

Feb, 2019

本文研究了基于用户级差分隐私的离散分布学习问题，提出了一种新的实现方法，使隐私惩罚的数量级小于标准机制在某些感兴趣的设置下，并进一步展示了该建议机制在某些范围内是几乎最优的。同时，本文还提出了一些获取受限差分隐私的估计量下限的通用技术以及二项分布之间总变化量的下限，两者可能具有独立的研究意义。

Jul, 2020

通过投影到随机的 O (log (k/ ε) / ε²) 维子空间上，可以近似保持欧几里得 k-means 或 k-medians 聚类的最优解成本，并且适用于任何满足温和的子高斯尾条件的维度缩减映射，其维数几乎是最优的。此外，该结果适用于所有权重的欧几里得 k - 聚类。

Nov, 2018

提出并分析了一系列算法来解决在用户级差分隐私约束下的学习任务，包括高维均值估计、平滑损失函数的经验风险最小化、随机凸优化以及具有有限度量熵的学习假设类。

Feb, 2021

研究局部差分隐私在高斯分布参数估计中的应用，并给出了自适应的两轮解决方案和非自适应的一轮解决方案，并通过信息理论下界证明了准确性保证的紧密性。

Nov, 2018

本文研究了在本地差分隐私条件下从用户隐私数据中学习项目簇的问题，并且开发了一些方法来限制互信息，其结果表明采取不同的算法和方法可以实现不同零星用户样本复杂度，同时研究的技术具有更广泛的适用性。

Jul, 2012

本研究提供了两种简单的 $l_2$ 线性映射降维构造方法，通过使用稀疏嵌入矩阵使扭曲度达到 $1 + \varepsilon$，并在行数方面达到渐近优化，从而实现子常数稀疏，在所有参数值方面均优于先前的研究，并可用于加速应用程序中的 $l_2$ 维度约减。

Dec, 2010