该研究讨论了基于差分隐私的 $n$ 方实数求和问题中，在洗牌模型中，减少通信次数与保证准确度之间的权衡关系，并给出了一种使用安全洗牌来实现 Laplace 机制的协议。

Jun, 2019

本文旨在提出两种新的 shuffle 模型的求和协议，并对 Balle 等人提出的协议进行递归改进，提供更好的准确性和通信折衷方案。

Feb, 2020

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

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

该研究旨在探讨在差分隐私的情况下，通过使用 moment-matching 方法，得出准确估计用户数量的各种协议，并提供了新型的支配协议，解决了多信息洗牌协议的开放性问题。我们的研究首次提供了全局敏感性与局部差分隐私中误差之间的第一个 ω(√n) 分离，并提供了一个简单的构造，用于回答关于两方差分隐私的开放性问题。

Sep, 2020

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

本文介绍一种名为 Shuffle Privacy 的隐私协议，使用交互式协议实现基于随机凸优化的消息混洗，并描述了一种新的求解二范数受限向量加和的过程，并在结合 Mini-batch SGD、加速梯度下降和 Nesterov 的平滑方法的基础上，获得了与中央模型相匹配的损失保证。

Jun, 2021

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