INSPECTRE: 估算未知部分的隐私方法
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
本文给出了关于有边界k阶矩分布不同隐私均值估计的最小最大样本复杂度的上下界，包括单变量和多变量情况，通过研究发现具有差分隐私约束时的样本复杂度与没有隐私时不同。
Feb, 2020
对于从共享数据中进行统计学习和分析，在保证隐私和鲁棒性两个主要问题中，PRIME是第一种同时实现了隐私性和鲁棒性的高效算法, 可以应用于广泛的分布。我们还使用了一个新的指数时间算法来提高PRIME的样本复杂度，达到接近最优的保证，并与已知的（非鲁棒）私有均值估计的下限相匹配，说明同时保证隐私和鲁棒性不需要额外的统计代价。
Feb, 2021
本研究提出了第一个能够在满足异质性隐私保护的同时，以多项式对数的复杂度准确地估算0、1分布乘积的均值的计算方法。这个方法能够以最优的样本复杂度来达成这个目的，并在总变差距离上实现精准估算。相比之前的工作，本方法能够在更低的保护要求下实现高效算法，同时不失最优性能，且不需要运行时间指数级增长。
Apr, 2023
我们采用差分隐私的框架研究了敏感数据分析的方法，通过将均匀采样步骤替换为私有分布估计器，我们改进了Boedihardjo等人工作的算法，并提供了离散和连续分布的计算保证，适用于多种统计任务。
May, 2024
研究多样本时的差分隐私均值估计，在用户级别设置下，给出了人数的必要和充分条件以实现在ε-差分隐私（及其常见松弛条件）下在ℓ2范数中以距离α估计均值的结果，并提供了近似差分隐私的高效算法（在样本复杂性上略有降低）和纯差分隐私的低效算法的计算方法和边界分析。
May, 2024
本研究针对局部差分隐私下的采样问题，填补了隐私-效用权衡的基础分析空白。我们定义了私有采样的最小最大效用-隐私权衡，并为有限和连续数据空间精确刻画了该权衡，提出了针对所有f-散度的普适最优采样机制。我们的实验表明，该机制在理论效用和经验效用方面均优于基线模型。
Oct, 2024