研究差分隐私机制在连续发布模型中的准确性并对一些基本问题的批处理模型下的最优性做了界限，发现连续发布算法的最坏情况误差是最佳批处理算法的大约 T 的三分之一倍，揭示了连续发布模型中涉及求和等问题的困难性。

Dec, 2021

差分隐私持续计数任务中，我们接收到一系列增量，并旨在输出这些增量的近似累加和，同时不泄漏关于任何特定增量的过多信息。我们提出了两种方法，一种基于空间高效的流式矩阵乘法算法，另一种将我们的第一种方法与类似于二叉树机制的递归构造相结合。这些方法在差分隐私持续计数中实现了近乎最优的效用，并且只需要对数或多对数的空间和时间。

Apr, 2024

我们研究在连续观测下如何保持差异隐私衰减和的问题，提出了一个统一的框架和一个高效的算法，该算法适用于任何足够平滑的函数。我们的算法是首个在多项式衰减权重情况下没有乘法误差的差异隐私算法，并改进了之前的工作，并在连续计数中恢复了 Henzi......

Jul, 2023

本文针对高维情况下的差分隐私数据分析算法中的高斯机制，提出了一种经过优化的高斯机制，通过解决其方差在隐私程度较高和较低的限制，直接利用高斯累积分布函数进行方差校准，采用基于自适应估计技术的后处理步骤实现抑噪，实验证明该方法相比于经典高斯机制，能减少至少三分之一的噪声方差，并且在高维情境下能够显著提高其精确性。

May, 2018

本论文介绍了一个新算法，用于计算隐私随机变量的数字组成，可用于计算机制的组合的准确差分隐私参数。该算法可以在多项式对数 (k) 的时间和内存使用情况下自我组合机制 k 次。该方法不仅适用于子采样高斯机制等广泛机制的分析，还可扩展至组合同类别别不同机制的情况，并改进了运行时间和内存使用率。

Jul, 2022

我们考虑在 $ R^d $ 中进行隐私数据集聚类的问题

Jul, 2023

本文提出了一种实例依赖的差分隐私噪声缩放方法，并使用修剪均值估计器对平均分布假设下的实现进行了实验和理论分析，结果显示该方法相对于其他文献中的方法有较好的效果。同时，文章也重新审视了 Nissim、Raskhodnikova 和 Smith (STOC 2007) 的模糊敏感度框架，并提出了三种新的加性噪声分布，它们在平滑敏感度的缩放下提供了集中型的差分隐私。

Jun, 2019

本文提出了单一实值查询函数的最优 ε- 差分隐私机制，其噪声概率分布类具有楼梯形状、对称性、单调递减和几何衰减，可以被视为均匀概率分布的几何混合，并将此机制自然地推广到了离散查询输出环境和更抽象的环境中。通过将最优性能与拉普拉斯机制的性能进行比较，我们得出结论，当 ε 趋近于 0 时，拉普拉斯机制是渐近最优的；而在 ε 趋近于 +∞时，最小噪声振幅和最小噪声功率分别为 Θ(Δe^-ε/2) 和 Θ(Δ^2 e^-2ε/3)，而拉普拉斯机制的噪声振幅和功率期望分别为 Δ/ε 和 2Δ^2/ε^2，在低隐私保护级别下获得更明显的收益。

Dec, 2012

提供严格多项式时间的离散算法，用于近似分类数据集的直方图，同时保留与拉普拉斯机制相同的（纯）差分隐私保证，并基于受限离散计算模型，避免了基于实际算术的不同隐私算法攻击实现的可能性。

Sep, 2017

研究了随时间推移的隐私价格问题，其中包括私有计数问题、事件级差分隐私、在线阈值问题和私有在线学习等主题，并提出了相应的下界。

Feb, 2024