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

该研究通过指定参数 delta 来构建一个全新的下界，从而优化（epsilon，delta）差分隐私算法在高维数据库上精确回答统计查询的样本复杂度。除了新的下界之外，该研究还提出了纯粹和近似的差分隐私算法，用于回答任意统计查询，并通过对比标准拉普拉斯和高斯机制在最坏情况下精度保证方面的样本复杂度，改善了对该问题的解决方法。

Jan, 2015

该研究提出了不同 ially private 算法（DP 算法）在发布阈值函数的近似答案时的样本复杂度的新上限和下限结果，还展示了实现此任务在无限域 X 上是不可能的，并需要样本复杂度 n≥Ω（log * |X| ），同时对于使用 DP 合理地学习概念类与无隐私信息学习之间的差异也给出了首个下限结果。

Apr, 2015

该研究提供了基于不同隐私数据发布的样本复杂度下限的新方法，并给出了一些新的评估策略。

Nov, 2013

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

探讨在三种模式下对不对称敏感数据集的查询差分隐私问题，证明这些模式不同，并且存在家族类的统计查询，在离线模式下可以回答指数级别的查询，而在线模式下只能回答很少的查询，同时也展示了一族搜索查询，在在线模式下可以回答指数级别的查询，但在调整模式下无法回答很多查询。

Apr, 2016

对差分隐私在线学习算法提供了下界，表明广泛类别的（ε, δ）- 差分隐私在线算法 — 当满足 log T≤O (1/δ) 时，算法产生的错误数量的期望呈 Ω(log (T/δ)) 增长，与非隐私在线学习不同，其中错误数量与 T 无关。据我们所知，这是首次为差分隐私在线学习确定下界的结果，并在一定程度上解决了 Sanyal 和 Ramponi（2022）中的疑问。

Feb, 2024

我们考虑在 $ R^d $ 中进行隐私数据集聚类的问题

Jul, 2023

本文探讨了在差分隐私约束下学习阈值函数的样本复杂度问题，并提出了一种新的算法来减少样本复杂度。该算法基于选择输入相关哈希函数和将数据库嵌入到大小对数减小的域中，从而在不泄露个体信息的情况下生成内部点。

Nov, 2019

在线的条件分布估计问题，使用局部差分隐私处理无界标签集，最小化累积 KL 风险，同时解决假设选择问题。

Feb, 2024