研究在差分隐私条件下，如何通过相应的随机化测试方法区分分布 P 和分布 Q，以及有哪些测试方法对应最佳的样本复杂度，进而将这一结果应用于私有变点检测中，同时还讨论了算法稳定性对于检验假设的适用性及普适性。

Nov, 2018

本文提出了一种新型假设检验方法，能够应用于含有隐私保护的差分隐私数据，并且其偏置较小、效果较好，解决了传统差分隐私假设检验方法中的问题。

Nov, 2015

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

本研究主要研究了如何在高置信度条件下，通过有限样本同时检验分布 $q$ 和 $p$ 是否相同，其结果给出了最优样本复杂度并表明了经验分布在均匀性检测中的高效性。

Aug, 2017

研究了利用随机样本对离散人群进行身份和相似度测试的问题，目标是开发出高效的测试器，并保证对个人的差异性隐私，提出了一种新的方法，可以产生样本有效的差异私有测试器用于解决这些问题，实验评估证明了我们的方案能够实现与非隐私测试器几乎相同的测试效率，同时达到了样本规模亚线性的领域大小下限。

Jul, 2017

我们研究了局部差分隐私约束下的假设选择问题，设计了一种使用较少样本的 ε- 局部差分隐私算法来选择假设，该算法的样本复杂度趋近于最优，并且通过定义关键查询的概念为统计查询算法提供了一种新的方法。

Dec, 2023

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

本论文提出了一种隐私保护的差分私有方法，基于几种最先进的方法进行灵敏度分析，以实现估计分布属性方面的准确性，同时保持样本的 ε- 差分隐私，并在几种感兴趣的功能上证明了问题所需的样本大小的近乎严格的边界。

Feb, 2018

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

本文介绍了如何使用大致差分隐私的泛化特性来进行自适应假设检验，并给出统计上有效的 p 值校正方法。研究表明，当算法满足 $(\epsilon, \delta)$- 差分隐私且输入来自于一个乘积分布时，它们具备有界的大致最大信息，并且这种连结只适用于乘积分布输入，而不适用于离散分布输入。

Apr, 2016