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
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
介绍了针对任意有限域的高维半空间私有学习器，其样本复杂度为 poly(d,2^log*|X|)。其构造是基于在m个点中找到近似中心点的差分隐私算法，可用于设计差分隐私算法，并提供了在凸包中查找点的样本复杂度的下界。
Feb, 2019
提出一种差分隐私算法，用于假设选择和生成学习算法，可处理各种自然分布类，包括高斯分布、分布乘积、独立随机变量的和、分段多项式和混合类，这种算法的样本复杂度最优。
May, 2019
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
重新审视了差分隐私的输入扰动框架，介绍了有效算法用于保护隐私的发布余弦相似度和计算多特征边际查询，扩展结果适用于稀疏数据集，提供理论视角解释快速输入扰动算法在实践中的良好表现。
Jun, 2024
本研究解决了在近似差分隐私下学习高斯混合模型的问题，提出了一种新的样本复杂度，远低于之前的最佳结果。研究表明，当维度远大于混合成分数量时，样本需求量是最优的，并且首次证明了一维高斯混合的私有学习样本复杂度是线性的。这一发现可能显著提高在隐私保护环境下进行数据分析的效率。
Nov, 2024