采用博弈论设计一种有效的激励机制来解决联邦学习中用户参与之间的难题，同时解决由于学习过程中隐私泄露而导致的效果下降问题。

Sep, 2020

本文设计了一个自动化的P2P能源市场，通过应用展望理论模型用户客观感受和制定优化框架来最大化买家感知和满足需求与生产的匹配。提出基于微分进化的算法来交易能源，同时引入一种名为PQR的风险敏感Q学习算法来为卖家学习最优价格。实验结果表明我们的方法比最新技术的方法在买家感知价值方面达到26％的提高，为卖家产生7％的额外利益。

Aug, 2022

本文提出了基于Stackelberg博弈理论的框架模型，实现需求响应汇集器和生产者之间的灵活双向能源套利，同时确保满足生产者的每日能源需求，基于在线采样学习的生产者最优响应提供了近似均衡及其质量界限，通过真实世界数据演示了所提出的框架和在线可伸缩方案的有效性。

Apr, 2023

本次研究讨论如何在无限供应的物品定价拍卖中最大化收益并保护买家隐私，提出了一种新算法，提供了不同隐私保证的指数权重元算法，对于收益函数的间断问题进行了缓解，其结构类似于指数机制，适用于买家分阶段进行竞标的情况，具有次线性的遗憾率。

May, 2023

研究通过使用创新性的享乐博弈模型，考虑社交关系，形成能源联盟并促进联盟成员之间的能源交易。通过在基于区块链的点对点能源灵活性市场应用该模型，提高了市场交易量，并实现了能源需求与供应的平衡。

Sep, 2023

使用区块链技术和人工智能，该研究论文介绍了一种先进的去中心化能源市场（DEM），用于管理具有能量存储系统的智能家居之间的能量交换，通过使用非同质化代币（NFTs）在透明和安全的交易环境中表示独特能源配置文件。该系统利用联邦深度强化学习（FDRL）促进协作和自适应能源管理策略，保护用户隐私。一个显著的创新是使用智能合约，确保能源交易的高效性和完整性。广泛的评估证明了该系统的可扩展性以及FDRL方法在优化能源分配中的有效性。该研究对于开发复杂的去中心化智能电网基础设施具有重要贡献。我们的方法拓宽了可持续能源系统中区块链和人工智能应用的潜力，并解决了传统能源交易机制中的激励一致性和透明度挑战。本文的实现可在https://github.com/RasoulNik/DEM 上公开访问。

Nov, 2023

数据市场通过去中心化数据交换来实现应用程序（例如预测、学习或推断）的目的。然而，相关研究通常忽视了数据相似性如何通过统计信息泄露影响定价和数据价值，我们提出了一个使用局部差分隐私的查询-响应协议，该协议用于双方数据获取机制的市场设计，进一步分析了数据相似性对市场参与和交换数据价值的影响。

Dec, 2023

分布式优化和学习中的隐私保护方法进行了综述，介绍了密码学、差分隐私等技术，并提出利用差分隐私算法来确保隐私和优化准确性，在多个机器学习问题中得到实际应用验证。同时探讨了该研究领域的挑战和未来方向。

Feb, 2024

数据交易市场与传统市场的比较，重点在于数据的可复制性和隐私对数据交易的影响。研究了数据复制性对传统微观经济学中机会成本概念的基本改变，并探讨了如何在不损害数据隐私的情况下最大限度地利用这种变化。提出了在隐私领域链内数据流通的约束，并提供了一个在这些约束下最大化数据价值的模型。通过具体应用场景和实验，证明了该模型的可解性。

Apr, 2024

通过分析之前一篇文章中的隐私游戏的实施方式，我们发现其只适用于特定环境，限制了其在一般情况下的适用性。与之前的结论相符，我们的实验表明合成数据在隐私和效用之间取得了更有利的平衡，优于提供的k-匿名化实现。

Jul, 2024