研究了关于敏感数据统计计算的可扩展、强健协议设计的问题，主要探讨了如何在分布式环境中设计差分隐私协议的最佳方式，并提出了一种介于本地模型和中央模型之间的混洗模型，通过为用户提供匿名信道来随机排列一组用户提供的消息，实现与中央模型相同的精度，同时避免了信任中央服务器和加密 MPc 的复杂性。

Aug, 2018

本研究给出了关于差分隐私的本地模型下的频率估计的有效协议和匹配准确性下限，研究了能产生数据简明直方图表征的协议，以及在公共硬币模型下的协议。

Apr, 2015

本文在研究中提供了三个贡献：在洗牌模型中提供了一种最佳的实数求和私有协议，并提供了一种新的更为通用的隐私放大界，用于分析洗牌模型中协议提供的隐私保护程度。

Mar, 2019

介绍了 shuffle model 和 pan-private model，重点讨论了 robustly shuffle private protocols，并给出了计数和均匀性测试的隐私保证及下界。

Apr, 2020

本文研究了差分隐私中的洗牌模型中对实数或整数求和（聚合）的问题，并提出了一种协议，该协议在中央模型中的误差可以任意接近（离散）拉普拉斯机制的误差，并且每个用户在预期中仅发送 $1 + O (1)$ 条短消息。

Sep, 2021

本文介绍了中心模型、本地 DP 模型和洗牌 DP 模型，并提出了在洗牌 DP 模型下用于机器学习的两种基本聚合方法，其精度接近中心 DP 算法，而通信效率与不加隐私约束的通信需求基本匹配。

Jun, 2021

随机洗牌可显著提高局部随机化数据的差分隐私保证，我们提出了一种基于新方法的差分隐私算法，其具有渐近最优的依赖性，应用于洗牌模型中的频率估计，是简单且近乎最优的算法。

Dec, 2020

提供严格多项式时间的离散算法，用于近似分类数据集的直方图，同时保留与拉普拉斯机制相同的（纯）差分隐私保证，并基于受限离散计算模型，避免了基于实际算术的不同隐私算法攻击实现的可能性。

Sep, 2017

这项工作探讨了用于非统计计算的混洗隐私扩大的可行性，提出了一种新的混洗模型范例，并引入了统计上的随机标识，从而在保持隐私扩大同时实现关键的安全功能。实验结果表明，这种模型和机制在减少错误率、提高效用性能方面相对于非隐私设置快速并且实用。

Jun, 2024

本文介绍了一种新的本地差分隐私技术，可以在时间上保持最新的统计数据，隐私保证仅随基础分布变化次数而衰减，而不是收集周期次数，其中提供了使用频率和重量估计的应用程序。

Feb, 2018