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

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

本文研究了基于用户级差分隐私的离散分布学习问题，提出了一种新的实现方法，使隐私惩罚的数量级小于标准机制在某些感兴趣的设置下，并进一步展示了该建议机制在某些范围内是几乎最优的。同时，本文还提出了一些获取受限差分隐私的估计量下限的通用技术以及二项分布之间总变化量的下限，两者可能具有独立的研究意义。

Jul, 2020

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

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

该论文研究差分隐私中个体隐私偏好对均值估计的影响，并提出了一种接近线性运行时间且极小化的算法，结果表明最严格隐私要求的用户决定了整体误差率，其他隐私偏好较低但不同的用户将获得超过需求的相等隐私保护，而估计器性能不受影响。

Oct, 2023

在这项工作中，我们提出了一个简单的异构用户数据模型，允许用户数据在分布和数量上存在差异，并提供了一种在保持用户级差分隐私的同时估计总体均值的方法。我们证明了我们的估计量的渐近最优性，并证明了在我们引入的设置中可以实现的错误的一般下界。

Jul, 2023

在分布式系统中，用户整体样本的隐私保护是很重要的。我们提出了基于 Huber loss 最小化的方法来进行用户级差分隐私下的均值估计，通过自适应调整 Huber loss 的连接点来处理不平衡的用户，避免了剪辑操作，大大减少了误差。通过理论分析和数值实验证实了我们的方法。

May, 2024

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

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