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
本文提供了一种基于差分隐私的平均数估计优化方法，该方法针对实际数据处理效果较好，能够适应各种数据类型的特点，且具有较强的实例优化性能。同时，该方法还可以在本地和混洗模型下进行扩展。
Jun, 2021
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
该论文介绍了一种通过使用分布模型以及多项式时间算法在高维数据中实现鲁棒性估计的方法，并且提出了优化方法，以使算法能够适应更多的数据异常值，实现更高效的鲁棒性估计。
Mar, 2017
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
本文章讨论了高维数据的鲁棒性估计问题以及最近在该领域中提出的算法技术，尤其关注于鲁棒均值估计。
Nov, 2019
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
本文提出一种算法来解决在不同隐私偏好的用户条件下的均值估计问题，并发现在两组用户具有不同隐私级别的情况下，该算法是最优的。当一个群体的隐私要求得到放宽时，会出现一个饱和现象，即进一步放宽该群体的隐私要求并不能改善估计器的性能。因此，中央服务器可以在不影响性能的情况下提供一定程度的隐私保护。
Apr, 2023
提出两种样本有效的差分隐私均值估计器，可用于具有未知协方差的 $d$ 维（子）高斯分布。这些估计器是基于一种简单通用的设计差分隐私机制的方法实现的，但需要新颖的技术步骤使其保持隐私和有效性。