研究在洗牌模型中的纯差分隐私协议在二进制求和方面的应用，提出了第一个具有常数 ε 误差的洗牌模型中具有 o (√n) 误差的纯协议，并研究了洗牌模型和中心模型之间的第一个分离，以及纯和近似差分隐私协议之间的第一个分离。

Feb, 2020

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

本文研究了本地差分隐私模型下敏感统计信息的收集，提出了一种算法，其隐私成本与用户值的更改数量的对数成正比。通过匿名化用户报告，基于用户报告的匿名性，我们还展示了当以中心式差分隐私模型来看待时，我们的 LDP 算法的隐私成本实际上会更低。通过新的隐私放大技术，我们证明了任何置换不变的算法，满足 ε 局部差分隐私的同时，也会满足（O（ε sqrt {log（1/δ）/n）}，δ）中心差分隐私。作为实际的推论，我们的研究结果表明，几个基于 LDP 的工业部署的隐私成本会比它们宣传的 ε 值所表示的要低得多，至少是在报告经过匿名化的情况下。

Nov, 2018

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

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

本文探讨如何在差分隐私的前提下，采用洗牌模型的协议来估算直方图，实现样本复杂度的大幅降低并确保数据的安全性。同时发现当遵守纯差分隐私和单信息的随机器的条件时，洗牌模型的效果和局部模型相当。

Nov, 2019

该研究提出了一种基于 Kashin 表示和随机抽样的方案以及利用 Walsh-Hadamard 矩阵的递归结构来实现隐私和通信效率的联合优化编码和解码机制，对平均值估计和频率估计等问题进行了研究。

Jul, 2020

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

本文研究了分布式估计和学习问题。利用线性聚合方案和调整的随机化方案，通过交换信息，聚合数据并在保护个体隐私的前提下估计未知特征值。通过对一些例子的验证，证明该算法的高效性和性能保障。

Jun, 2023