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

研究多样本时的差分隐私均值估计，在用户级别设置下，给出了人数的必要和充分条件以实现在 ε- 差分隐私（及其常见松弛条件）下在ℓ2 范数中以距离 α 估计均值的结果，并提供了近似差分隐私的高效算法（在样本复杂性上略有降低）和纯差分隐私的低效算法的计算方法和边界分析。

May, 2024

在这项工作中，我们提出了一个简单的异构用户数据模型，允许用户数据在分布和数量上存在差异，并提供了一种在保持用户级差分隐私的同时估计总体均值的方法。我们证明了我们的估计量的渐近最优性，并证明了在我们引入的设置中可以实现的错误的一般下界。

Jul, 2023

提出并分析了一系列算法来解决在用户级差分隐私约束下的学习任务，包括高维均值估计、平滑损失函数的经验风险最小化、随机凸优化以及具有有限度量熵的学习假设类。

Feb, 2021

本文提供了一种基于差分隐私的平均数估计优化方法，该方法针对实际数据处理效果较好，能够适应各种数据类型的特点，且具有较强的实例优化性能。同时，该方法还可以在本地和混洗模型下进行扩展。

Jun, 2021

探讨平衡标准误差和隐私保护之间的关系，提出了最小化极限风险下的差分隐私约束的算法，包括隐私迭代硬阈值追踪，以及在实际数据集中表现出的数值表现。

Feb, 2019

该研究证明了对于大类参数概率模型，可以构建不同 ially private 的估计器，其分布收敛于最大似然估计器，从而提供了更有说服力的证据，证明统计数据库中严格的隐私概念可以与统计学有效推断一致。

Sep, 2008

本文研究了用户级差分隐私下的高维度平均值估计，提供了用户数量与每个用户所需样本数量之间的最优权衡，并设计了一个 (ε,δ)- 差分隐私机制，即使当用户数量与 δ 的对数之积很小时也能保证隐私安全，同时与维度无关，适用于学习离散分布以及其它问题。

Oct, 2021

本文提出了元素级差分隐私的概念，以更好地保护个人数据并维持数据分析的实用性；研究者提供了定义和分析，并开发了几种私人估计和学习方法，并在多种实际应用中进行了验证。

Dec, 2019

基于随机实验估计因果效应只有在参与者同意透露潜在敏感回应的情况下才可行。我们提出了一种新的差分隐私机制 “Cluster-DP”，通过利用数据的任何给定的聚类结构来实现更强的隐私保证和更低的方差损失，同时仍然允许因果效应的估计。

Aug, 2023