提出并分析了一系列算法来解决在用户级差分隐私约束下的学习任务，包括高维均值估计、平滑损失函数的经验风险最小化、随机凸优化以及具有有限度量熵的学习假设类。

Feb, 2021

此研究论文针对用户级差分隐私的例子稀缺模式，介绍了基于项级差分隐私算法的用户级差分隐私算法的通用转换方法，并且提出了简单的技术来适应用户级设置中的指数机制，为各种任务提供新的界限。

Sep, 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

本文研究了用户级差分隐私下的高维度平均值估计，提供了用户数量与每个用户所需样本数量之间的最优权衡，并设计了一个 (ε,δ)- 差分隐私机制，即使当用户数量与 δ 的对数之积很小时也能保证隐私安全，同时与维度无关，适用于学习离散分布以及其它问题。

Oct, 2021

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

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

本文提出了元素级差分隐私的概念，以更好地保护个人数据并维持数据分析的实用性；研究者提供了定义和分析，并开发了几种私人估计和学习方法，并在多种实际应用中进行了验证。

Dec, 2019

本文研究在本地 ε- 差分隐私的统计学习中，优化隐私约束下的统计数据效用和最大化提供者所持数据和其私有视图之间的互信息，提出了 $k$- 子集机制，分析了现有机制的局限性并为离散分布估计提出了 $k$- 子集机制的有效实现，并展示了其对比现有方法的优足优势与保障。

Jul, 2016

本文研究了在本地差分隐私条件下从用户隐私数据中学习项目簇的问题，并且开发了一些方法来限制互信息，其结果表明采取不同的算法和方法可以实现不同零星用户样本复杂度，同时研究的技术具有更广泛的适用性。

Jul, 2012

本文提出了一种基于差分隐私的机制，以保证数据查询的数据隐私和查询效用之间的平衡。机制包含了每个可能的用户的期望最小化的代价函数，并且针对每个固定数量的查询和差分隐私级别，存在一种几何机制可以同时保证每个可能用户的最佳实用性，这是一种极强的实用性保障。

Nov, 2008