本文探讨如何在差分隐私的前提下，采用洗牌模型的协议来估算直方图，实现样本复杂度的大幅降低并确保数据的安全性。同时发现当遵守纯差分隐私和单信息的随机器的条件时，洗牌模型的效果和局部模型相当。

Nov, 2019

本文研究在保障隐私和通讯限制下分布估计和重头分估计的问题，提出了使用局部差分隐私的样本最优方案，并表明 Hadamard 反应方案可以用于重头分估计。

May, 2019

提出了一种新的本地差分隐私算法，用于解决重要节点问题，实现了所有标准考虑参数的最优最坏误差，并展开了在局部模型中的组隐私和本地隐私，给出了相关的界限和保证。

Nov, 2017

提供严格多项式时间的离散算法，用于近似分类数据集的直方图，同时保留与拉普拉斯机制相同的（纯）差分隐私保证，并基于受限离散计算模型，避免了基于实际算术的不同隐私算法攻击实现的可能性。

Sep, 2017

该论文提出了一种名为 Hadamard Response 的本地隐私保护方案，可在高隐私水平下使用，并在所有 ε 下具有最优的样本复杂度，通信不超过每个用户的 log k + 2 位，并且具有几乎线性的运行时间，该方案的编码和解码基于 Hadamard 矩阵，其统计性能依赖于编码理论方面的因素。

Feb, 2018

本文介绍了中心模型、本地 DP 模型和洗牌 DP 模型，并提出了在洗牌 DP 模型下用于机器学习的两种基本聚合方法，其精度接近中心 DP 算法，而通信效率与不加隐私约束的通信需求基本匹配。

Jun, 2021

我们展示了一种在保证差分隐私的前提下，可以显著提高一类常见直方图查询的准确性的方法。我们选择一组仔细设计的查询，利用能够满足噪声输出上的一致性约束。在后处理阶段，我们计算出最有可能产生噪声输出的一致性输入。最终输出是差分隐私和一致性的，并且通常更加准确。从理论和实验上都表明，这些技术可以被用于精确地估计图的度数序列并计算支持任意范围查询的直方图。

Apr, 2009

该研究旨在探讨在差分隐私的情况下，通过使用 moment-matching 方法，得出准确估计用户数量的各种协议，并提供了新型的支配协议，解决了多信息洗牌协议的开放性问题。我们的研究首次提供了全局敏感性与局部差分隐私中误差之间的第一个 ω(√n) 分离，并提供了一个简单的构造，用于回答关于两方差分隐私的开放性问题。

Sep, 2020

该研究提出了一种基于 Kashin 表示和随机抽样的方案以及利用 Walsh-Hadamard 矩阵的递归结构来实现隐私和通信效率的联合优化编码和解码机制，对平均值估计和频率估计等问题进行了研究。

Jul, 2020

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