该研究通过将真正的差分隐私和近似（ε，Δ）-差分隐私应用于优化问题中，研究比较了私有学习和消毒的样本复杂性，同时构建了用于高维中的点函数，阈值函数和轴对齐矩形的私有学习器以及标签私有学习，证明了VC 维完全刻画了学习带标签隐私的样本复杂性。
Jul, 2014
本文提出了一种确保差分隐私的在线线性优化算法，其完全信息情况下的后果与epsilon无关，但在轮盘线性优化和非随机多臂匪徒的情况下，其遗憾上限是一个$ ilde{O}$函数，同时使时间复杂度在$\tilde{O}(\frac{1}{\epsilon}\sqrt{T}))$内。
Jan, 2017
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。
本篇研究设计了差分隐私算法来解决在投影自由设置下的赌博凸优化问题，该设置在决策集具有复杂几何结构的情况下非常重要。
Dec, 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
研究了使用差分隐私保护的在线随机凸优化问题，提出了一种具有递归梯度的私有在线Frank-Wolfe算法，可在线性时间内实现最优超额风险，并证明递归梯度的方差缩减结果在非平稳场景下也有理论保证。同时，该算法也被扩展到p=1的情况，可实现几乎与维度无关的超额风险。
Jun, 2022
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
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