本研究探讨了差分隐私的统计估计问题，并且提出了差分隐私比较准确的估计方法，其中加入了随机噪声以提高数据的隐私保护性，同时也介绍了Gross Error Sensitivity，将其与差分隐私紧密联系。
Jun, 2012
该研究通过将真正的差分隐私和近似（ε，Δ）-差分隐私应用于优化问题中，研究比较了私有学习和消毒的样本复杂性，同时构建了用于高维中的点函数，阈值函数和轴对齐矩形的私有学习器以及标签私有学习，证明了VC 维完全刻画了学习带标签隐私的样本复杂性。
Jul, 2014
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
本文提出了一种名为噪声约简框架的通用方法，能够应用于各种私有经验风险最小化(ERM)算法，使用它们来“搜索”隐私级别的空间，以找到在满足准确性约束下最强的隐私级别，并仅产生对搜索的隐私级别数量的对数开销。
May, 2017
该研究提供了关于差分隐私下k个元素分布的标识检测和接近度检验的上下界。他们提出了一般框架以建立隐私统计任务的样本复杂度的下界，同时通过构建精心选择的先验概率来证明隐私算法的下界。
Jul, 2017
本文提出$f$-差分隐私，一种新的隐私松弛定义，避免了使用发散松弛的一些困难，并支持隐私定义的组合和代数推理。同时，作者通过介绍高斯差分隐私，一个基于测试两个移动高斯函数的$f$-差分隐私的单参数家族，并通过数学证明和计算机实验了演示工具，进一步完善并解决了隐私数据分析的问题。
May, 2019
提出一种基于隐私损失分布的数值账本方法，用于准确隐私计算，尤其是对子采样高斯机制的严格上下界隐私参数的计算，并给出幂系数约束下的隐私损失分布的误差分析，应用于计数查询的指数机制的计算也满足严格下界隐私参数。
Jun, 2020
随机洗牌可显著提高局部随机化数据的差分隐私保证，我们提出了一种基于新方法的差分隐私算法，其具有渐近最优的依赖性，应用于洗牌模型中的频率估计，是简单且近乎最优的算法。
Dec, 2020
使用高斯噪音在测量上报延时过程中的分析显示，在对底层查询进行了有界假设的前提下，对于Report Noisy Max可以提供纯先验差分隐私界限，而对于Above Threshold可以提供纯后验差分隐私界限，并且所得到的界限是紧的且取决于可使用标准方法进行数值评估的闭合表达式。
Feb, 2024