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

本研究使用对数批量查询和不同的隐私模型提出不同关于武断攻击的差分隐私和鲁棒性阿姆淘汰算法，实现同时在随机线性医生问题中提供差分隐私和对手强度的功能，并提供相应的遗憾界限。

Apr, 2023

本文提出一种基于阈值套索算法的 regret minimization 解决方案，能够更好地应对稀疏随机上下文线性赌博机问题，且不需要对稀疏度等参数有先验知识，理论上的性能约束也有所提高。

Oct, 2020

本文提出了一种用于解决多智能体稀疏背景下的上下文线性赌博问题的新方法，通过使用 Lasso 回归进行维度缩减、回归进行问题解决、结合特定过程和网络结构共享信息，达到降低通信成本、保证最小累计遗憾值的效果，并在合成和真实场景下验证了方法的有效性。

May, 2023

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

提出了一种新的算法：Doubly-Robust Lasso Bandit algorithm，它利用线性回归参数的稀疏结构，融合在缺失数据文献中使用的双重稳健技术，解决了高维稀疏环境下多臂赌博机算法的问题，大大减少了调参数量和算法复杂度。

Jul, 2019

研究高维稀疏特征的随机线性臂模型中，在数据匮乏的情况下，特征向量遵守固定的探测分布，通过探索然后提交算法，得到了 $Ω(n^{2/3})$ 的无维度极小遗憾下界和 $Θ(n^{2/3})$ 的上界。

Nov, 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

在高维稀疏线性赌博模型中，在考虑数据隐私的情况下，我们设计了一种计算高效的赌博算法 FLIPHAT，它通过部分遗忘和噪声迭代硬阈值算法来确保隐私和达到最优遗憾性，研究内容包括隐私代价、估计误差和遗忘策略。

May, 2024

本文研究了具有差分隐私和强局部差分隐私的组合半臂赌博问题，证明了在常见平滑性假设下，该算法可以消除额外的依赖于数据维度的副作用，并且获得了最优的损失界限，表明在这些普遍的设置下，组合半臂赌博的方法没有额外的价格。

Jun, 2020