该研究在信息论领域对 Fano 不等式进行了两个扩展，一个在估计中提供了与数量距离 $t$ 内的估计器的概率下限，第二个提供了基于体积的连续形式下限，并且证明了这些不等式可用于几个统计极小值下限的简单证明。

Nov, 2013

本研究提出了一种基于 Fano 不等式的合奏学习理论，用一套扎实的度量体系来评估一个给定的合奏系统，并通过实验验证和证明了这种理论的有效性，该理论将推动合奏学习的理论认识，并为系统设计提供洞见。

May, 2022

本文使用中心差分隐私提出了 Le Cam 方法、Fano 不等式和 Assouad 引理的类似物，并且通过该方法在多个统计估计任务中建立了样本复杂性边界，包括离散分布估计和 l2 距离评估。我们还提供了针对几个其他分布类别的下界，包括产品分布和高斯混合分布，这些下界在对数因子上是精确的。我们的技术贡献在于将分布之间的耦合与基于差分隐私的估计的样本复杂度相关联。

Apr, 2020

研究在数据即使隐私保护给定的情况下，隐私保证和结果统计估计器的效用之间的权衡，通过信息论和标准最小最大技术，提出本地隐私约束下统计速率的精确刻画，并提出新的隐私保护机制和计算有效的估计器，以实现界限。

Feb, 2013

本文简要介绍了集中不等式的一些基本概念和相关的数学工具，以及它们在信息理论、通信和编码等领域中的应用，尤其聚焦于熵方法的相关研究。

Dec, 2012

本文综述了浓度不等式在数学统计学中的应用，特别是在分布自由和依赖、亚高斯、亚指数、亚伽马和亚韦伯随机变量的最大浓度中的新结果，同时针对高维数据和线性回归提出了改进的界限。

Nov, 2020

本文研究数据保护与统计估计之间的平衡，开发了私有版本的信息熵界限，提出了一些新的基于隐私保护机制和计算效率估计，并给出了一些实验结果，证明了这些过程的重要性。

Apr, 2016

本文提出了一种新的 Jensen 不等式版本，适用范围广泛，对形式简单的情况提供了相对精确的结果，可以应用于矩生成函数、幂平均不等式和 Rao-Blackwell 估计。

Jul, 2017

我们提出了 Bernstein 浓度不等式的一些扩展，这种不等式已成为统计学、信号处理和理论计算机科学等许多问题中有用而强大的工具。我们不依赖于环境空间的维度，而是用与之相关联的 ' 有效秩 ' 取代了维度因子。这使得在无限维度的情况下扩展成为可能。

Dec, 2011

本文介绍了一些系统性的方法来获得在任意字母表上定义的概率测度对之间的 f - 差异不等式，其中包括函数占优方法、基于矩不等式和对数凸性属性的方法；在对相对信息性施加有界性假设的情况下，本文还阐述了各种界限，并特别关注了总变差距离及其与相对信息和相对熵的关系，包括 “reverse Pinsker 不等式”，以及广义化的总变差距离 Eγ 差异。

Aug, 2015