本篇论文研究了解决上下文线性赌博机问题的隐私学习算法，其中采用联合差分隐私的定义将经典的线性-UCB算法转换成联合差分隐私算法，并在其中使用高斯噪声或Wishart噪声，使结果算法的遗憾得到了限制。此外，还给出了任何MAB问题私有算法必须产生的额外遗憾的第一个下限。

Sep, 2018

本文探讨了结合差分隐私和多智能体赌博学习的联邦私有赌博机制。我们研究了如何将基于差分隐私的置信上界方法应用于多智能体环境，特别是应用于主-从和完全分散的联邦学习环境中，并提供了有关所提出方法的隐私和后悔性能的理论分析，并探讨了这两者之间的权衡。

May, 2020

本文研究局部差分隐私策略下的赌博机学习。我们提出了一种简单的黑盒归约框架，可以解决大量的无上下文赌博机学习问题，同时保证局部差分隐私。这个框架在真实应用中更具吸引力。此外，我们将其扩展到广义线性赌博机，并推测它是近乎最优的。

Jun, 2020

本文就基于上下文线性赌博机的联邦学习问题提出了一种称为 FedUCB 的多代理私有算法，该算法在中央化和去中心化（点对点）联邦学习方案中均可使用，在保证通信隐私的同时，在后遗憾度和隐私保证方面表现出极强的实用性。

Oct, 2020

本文介绍了使用本地差分隐私的情境赌博算法，为了在保持用户数据隐私不受侵犯的情况下个性化学习，利用了一种基于随机梯度下降法的估计器和更新机制来确保使用LDP，并且在广义线性情境中利用了该方法。我们还开发了一个基于最小二乘法的评估器和更新机制，最后通过模拟和实际数据集的实验来证明了算法的性能在强隐私保护的条件下具有相当好的表现。

Jun, 2021

本文提出了一种新型的联邦线性情境赌博机模型Fed-PE，并采用协作算法来处理客户端的异质性，它基于新颖的多客户G-最优设计，并通过对不相交和共享参数情况下的对数通信成本，实现了几乎最优的遗憾。此外，本文还引入了一种新的概念——共线依赖策略，并基于此导出了不相交参数情况下的严格极小化遗憾下界。实验结果表明，该算法在合成和真实数据集上均具有很好的鲁棒性。

Oct, 2021

研究了在联邦学习中维持隐私的问题，提出了一种隐私保护的联邦组合赌博算法，P-FCB，该算法在保持敏感信息私密的同时提高了效率和减少后悔的风险。

Jun, 2022

在联邦学习中，研究通过用户与感兴趣的应用程序交互产生的隐式信号，而非要求访问难以获取的显式标签的情况下，采用联合上下文强化学习框架来开发各种中心化环境下主要上下文强化学习算法的变体，并在公开可用数据集的一系列场景中仔细评估这些算法。我们的实验显示，简单且常用的 softmax启发式方法可以在多种设置下平衡已知的探索和开发之间的权衡。

Mar, 2023

在联邦环境中，考虑具有公平性和隐私保证的上下文多臂赌博机问题。我们提出了一种新的通信协议，使得联邦学习更加有效，并提供了确保差分隐私的算法。我们通过广泛的模拟实验证明了我们提出算法的有效性。

Feb, 2024

提出了一种面向异构客户的联邦赌博学习算法，通过对客户进行聚类实现了协同赌博学习，在联邦学习设置下，该算法在所有客户端都能实现非平凡的次线性遗憾和通信成本，只要服务器在任何时候只共享一个模型。

Feb, 2024