本文提出了一种基于稀疏随机投影的线性方案，用于训练具有分布式差分隐私的 $d$ 维模型，以保证训练轮次中服务器只看到 $n$ 个模型更新的带噪声和，并评估了这种方案的通信成本。在真实的隐私设置中，该方法可以在不降低测试性能的情况下显著减少通信成本。

Mar, 2022

本文提出了一种高效且具有鲁棒性的安全聚合协议 FastSecAgg，该协议基于快速傅里叶变换的新型多秘密分享方案 FastShare，可在保障数据隐私的同时，显著降低了计算和通信成本。FastSecAgg 可以有效地防范恶意攻击，使得在联邦学习场景下，客户端的模型数据可以更加安全地聚合到服务端进行更新。

Sep, 2020

用机器学习技术改进估计频率的算法，特别是使用了重要元素预测的算法，在一些参数范围内以及加入重要元素预测后，理论上超越了之前算法的性能，并在实验中取得了优于其他方法的表现。

Dec, 2023

提出使用稀疏随机图而非完全图来设计共享节点拓扑的低复杂度方案，在保证可靠性和隐私性的前提下，相对于现有的安全解决方案大幅度降低了通信 / 计算资源使用量。

Dec, 2020

为了解决联邦学习框架下传统 ERM 问题所面临的隐私保障、低带宽、动态客户端等挑战，我们开发了最优通信 - efficient 私密方案，可以使客户端参与到 ERM 的优化中，同时保证通信和隐私效果，并利用数据和客户端抽样实现隐私扩大，验证了我们的解决方案既能够获得相同的隐私、优化 - 性能操作点，又能大幅降低通信成本。

Aug, 2020

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

研究如何同时应用 SFE 和差分隐私来计算分布式私人输入的函数，比较不同误差要求下计算二进制和、间隔阈值、近似中位数等函数的新模式和已有模式的效率，并发现新模式对于对称函数具有更好的效率，同时也提供了隐私数据分析的全局模型和局部模型的新分离结果。

Mar, 2011

该研究论文探讨了分布式环境下维护隐私的差分隐私联邦学习的关键挑战，研究了在差分隐私约束下高维度估计和推断的困难，并提出了针对线性回归模型的新颖联邦估计算法和统计推断的方法。广泛的模拟实验支持了理论上的进展，强调了该方法的有效性和可靠性。

Apr, 2024

本文研究联邦学习和联邦分析中的隐私和通信障碍，通过压缩和随机选择部分信息以实现差分隐私，实现在通信和差分隐私约束下的均值和频率估计的最优准确性，从而实现更高效的计算。

Apr, 2023

本文解决了跨设备联邦学习中通信效率问题并提出了一种基于安全聚合的压缩方法，使得在保证通信安全的前提下能够实现高效联邦学习。

Jul, 2022