本地差分隐私中交互性的作用
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
该论文研究了中心差分隐私算法、本地差分隐私算法和中间模型的全局隐私算法，分析了其对单次和多次干扰的影响，并通过分析样本复杂度，提供了纯全局隐私均匀性测试的近似最优算法。
Nov, 2019
本文重点研究搜索不同的差分隐私机制，研究隐私水平下降的速度，并通过引入假设测试和数据处理不等式的新操作解释提出了一种解决方案，改进了现有技术并具有多方计算等多领域的应用。
Nov, 2013
探讨在三种模式下对不对称敏感数据集的查询差分隐私问题，证明这些模式不同，并且存在家族类的统计查询，在离线模式下可以回答指数级别的查询，而在线模式下只能回答很少的查询，同时也展示了一族搜索查询，在在线模式下可以回答指数级别的查询，但在调整模式下无法回答很多查询。
Apr, 2016
本研究比较交互式和非交互式方法在差分隐私数据分析中的权衡，并提出了一种混合方法。通过 $k$-means 聚类作为一个例子，该方法首先使用非交互式机制发布数据集的摘要，然后使用标准 $k$-means 聚类算法学习聚类中心，最后使用交互式方法来进一步改进这些聚类中心。我们分析了交互式和非交互式方法的误差行为，并使用这种分析来决定如何分配隐私预算，大量实验结果支持我们的分析，并证明我们方法的有效性。
Apr, 2015
本文研究了本地差分隐私模型下敏感统计信息的收集，提出了一种算法，其隐私成本与用户值的更改数量的对数成正比。通过匿名化用户报告，基于用户报告的匿名性，我们还展示了当以中心式差分隐私模型来看待时，我们的 LDP 算法的隐私成本实际上会更低。通过新的隐私放大技术，我们证明了任何置换不变的算法，满足 ε 局部差分隐私的同时，也会满足（O（ε sqrt {log（1/δ）/n）}，δ）中心差分隐私。作为实际的推论，我们的研究结果表明，几个基于 LDP 的工业部署的隐私成本会比它们宣传的 ε 值所表示的要低得多，至少是在报告经过匿名化的情况下。
Nov, 2018
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
本文研究了在非交互式局部差分隐私（LDP）模型下经验风险最小化（ERM）问题，利用 Bernstein 多项式逼近方法和内积多项式逼近技术提出了两种解决高维数据下样本复杂度指数级上升的方法，最终提出了用于学习 k 维边际查询和平滑查询的（高效的）非交互式局部差分隐私算法。
Nov, 2020
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