本研究探讨了差分隐私的统计估计问题，并且提出了差分隐私比较准确的估计方法，其中加入了随机噪声以提高数据的隐私保护性，同时也介绍了Gross Error Sensitivity，将其与差分隐私紧密联系。

Jun, 2012

该研究提出了不同ially private算法（DP算法）在发布阈值函数的近似答案时的样本复杂度的新上限和下限结果，还展示了实现此任务在无限域X上是不可能的，并需要样本复杂度n≥Ω（log * |X| ），同时对于使用DP合理地学习概念类与无隐私信息学习之间的差异也给出了首个下限结果。

Apr, 2015

本文研究在隐私限制下，离散分布的Minimax估计问题。通过将保密方案分别应用于每个原始样本，我们需要从保密样本中估计原始样本的分布。对于给定的ε，我们考虑构造具有ε-隐私级别、即能够最小化最坏情况下的预期估计损失的最优保密方案问题。本文提出了一种新的保密方案族，它在中等隐私度量ε的情况下显著提高了现有方案的性能。

Feb, 2017

该研究提供了关于差分隐私下k个元素分布的标识检测和接近度检验的上下界。他们提出了一般框架以建立隐私统计任务的样本复杂度的下界，同时通过构建精心选择的先验概率来证明隐私算法的下界。

Jul, 2017

本论文提出了一种隐私保护的差分私有方法，基于几种最先进的方法进行灵敏度分析，以实现估计分布属性方面的准确性，同时保持样本的ε-差分隐私，并在几种感兴趣的功能上证明了问题所需的样本大小的近乎严格的边界。

Feb, 2018

探讨平衡标准误差和隐私保护之间的关系，提出了最小化极限风险下的差分隐私约束的算法，包括隐私迭代硬阈值追踪，以及在实际数据集中表现出的数值表现。

Feb, 2019

本文给出了关于有边界k阶矩分布不同隐私均值估计的最小最大样本复杂度的上下界，包括单变量和多变量情况，通过研究发现具有差分隐私约束时的样本复杂度与没有隐私时不同。

Feb, 2020

提出了一个将差分隐私统计估计转化为无差分隐私的框架，并给出了用于学习高斯分布和鲁棒学习高斯分布的多项式时间差分隐私算法，该方法中学习高斯分布的样本复杂度和已知的信息论样本复杂度的上限相匹配，并且还证明了相似的结果，其中鲁棒学习高斯分布的样本复杂度更低。

Nov, 2021

本研究提出了第一个能够在满足异质性隐私保护的同时，以多项式对数的复杂度准确地估算0、1分布乘积的均值的计算方法。这个方法能够以最优的样本复杂度来达成这个目的，并在总变差距离上实现精准估算。相比之前的工作，本方法能够在更低的保护要求下实现高效算法，同时不失最优性能，且不需要运行时间指数级增长。

Apr, 2023

通过指纹技术和贝叶斯方法，我们改进了高维度隐私估计的下界。我们提出了计算高斯协方差和重尾分布均值的样本数量下界，并与先前工作的结论进行了比较。

Oct, 2023