本文研究在差分隐私的限制下，对正态总体均值进行有限样本置信区间的估计问题。我们考虑知道和未知方差情况，并构建了具有差分隐私的算法来估计置信区间，与大多数以前的算法不同的是，我们不要求样本的定义域是有界的。此外，本文还证明了差分隐私置信集的预期大小下界，表明我们的参数在多对数因子意义下是最优的 。

Nov, 2017

通过构建隐私差分的置信区间，我们提出了两种非参数私有化自举方法，可以在数据的多个分区上私下计算多个 “小” 自举结果的中位数，并给出了对生成置信区间的渐近界限的错误率。对于固定的差分隐私参数 ε，我们的方法在样本量 n 中与非私有自举方法的错误率相似，只有对数因子的差异。我们通过真实数据和合成数据对我们方法的均值估计、中位数估计和逻辑回归的性能进行了实证验证。我们的方法在提供相似的覆盖准确性的同时，相较以前的方法提供了明显更短的（约 10 倍）置信区间。

Feb, 2024

该研究证明了对于大类参数概率模型，可以构建不同 ially private 的估计器，其分布收敛于最大似然估计器，从而提供了更有说服力的证据，证明统计数据库中严格的隐私概念可以与统计学有效推断一致。

Sep, 2008

本文提出了一种实例依赖的差分隐私噪声缩放方法，并使用修剪均值估计器对平均分布假设下的实现进行了实验和理论分析，结果显示该方法相对于其他文献中的方法有较好的效果。同时，文章也重新审视了 Nissim、Raskhodnikova 和 Smith (STOC 2007) 的模糊敏感度框架，并提出了三种新的加性噪声分布，它们在平滑敏感度的缩放下提供了集中型的差分隐私。

Jun, 2019

以预测为基础的差分隐私方法是一种强大的方法，它可以利用外部信息来提高效用和添加噪声偏差稳健性。我们提出了四种重要任务的预测依赖的差分隐私方法，并对其进行了各项分析，包括对数据的最小假设，对噪声预测的自然稳健性增强和学习他人（可能是敏感的）数据的元算法。

Oct, 2022

本研究在高维度背景下研究差分隐私的均值估计问题，通过将高维度鲁棒统计的结果应用到差分隐私中，提出了一种计算可行的算法，能够在高维度下完成差分隐私的均值估计，并且在人工合成数据集上表现出了优异的性能。

Jun, 2020

在该研究中，我们提出了基于模拟的隐私保护数据集推理方法，利用神经条件密度估计器近似后验分布，纠正隐私保护机制引入的偏差，并展示了隐私与效用之间的权衡的必要性和可行性。

Oct, 2023

研究局部差分隐私在高斯分布参数估计中的应用，并给出了自适应的两轮解决方案和非自适应的一轮解决方案，并通过信息理论下界证明了准确性保证的紧密性。

Nov, 2018

该文提出了一个新颖的算法，用于构建自然参数的置信区间和 p 值，并使用高维线性回归问题和一个高通量基因组数据集进行测试。

Jun, 2013

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