研究了学习算法的隐私性问题，提出了差分隐私的概念，证明了任何可学习的概念类都可以差分隐私地学习，并提出了基于局部算法的隐私 PAC 学习器。

Mar, 2008

本文给出了一个样本大小的组合特征，是私有概念类学习足够和必需的。我们介绍了概念类的概率表示概念，并证明了私有学习算法对于概念类C的样本复杂度意味着RepDim（C）＝O(m)，并且存在一个样本复杂度m = O（RepDim（C））的私有学习算法。

Feb, 2014

该研究通过指定参数delta来构建一个全新的下界，从而优化（epsilon，delta）差分隐私算法在高维数据库上精确回答统计查询的样本复杂度。除了新的下界之外，该研究还提出了纯粹和近似的差分隐私算法，用于回答任意统计查询，并通过对比标准拉普拉斯和高斯机制在最坏情况下精度保证方面的样本复杂度，改善了对该问题的解决方法。

Jan, 2015

本文提出了一种使用差分隐私技术保证贝叶斯学习个体隐私安全的算法，采样自后验分布得出的估计符合要求，同时随机梯度下降方法也可以达到类似效果，是较好的解决贝叶斯学习隐私问题的方法。

Feb, 2015

该研究提出了不同ially private算法（DP算法）在发布阈值函数的近似答案时的样本复杂度的新上限和下限结果，还展示了实现此任务在无限域X上是不可能的，并需要样本复杂度n≥Ω（log * |X| ），同时对于使用DP合理地学习概念类与无隐私信息学习之间的差异也给出了首个下限结果。

Apr, 2015

本文探讨了“浓缩差分隐私”的概念，将其用Renyi散度重新构建，得到更为精确的量化结果，并探讨了一些相关问题。同时，本文还通过给出“近似浓缩差分隐私”的定义，将这种方法与“近似差分隐私”相统一。

May, 2016

本文介绍了用于两种基本高维学习问题的新型、计算有效和差分隐私算法：学习多元高斯分布和在布尔超立方体上学习乘积分布。我们的算法的样本复杂度几乎与这些任务的最优非隐私学习器的样本复杂度相匹配，表明隐私在这些问题上是几乎免费的。

May, 2018

使用微分隐私技术对加性迭代算法的中间结果进行保护，避免泄露中间过程可以强化隐私保障并解决凸优化问题。

Aug, 2018

本文探讨了在差分隐私约束下学习阈值函数的样本复杂度问题，并提出了一种新的算法来减少样本复杂度。该算法基于选择输入相关哈希函数和将数据库嵌入到大小对数减小的域中，从而在不泄露个体信息的情况下生成内部点。

Nov, 2019

提出了一种使用后验抽样和近似采样方法相结合的算法，通过引入噪声来保持隐私性，并结合局部化步骤，在DP-ERM问题中实现了最佳的速率。

Oct, 2023