本文提出动态定价模型，以差分隐私保护个人信息并最大化利润，通过引入 anticipanting (ε, δ)- 差分隐私的概念，在个性化信息被对手攻击的情况下，实现了可接受的收益和隐私保护水平，保护了客户的个人信息，实现最大化的收益。

Sep, 2020

研究了多产品库存控制问题，提出了 MaxCOSD 在线算法，可实现对非 i.i.d 需求和有状态动态的问题进行有效控制。

Jul, 2023

设计了一种学习算法来解决一个基本库存管理中未知需求分布的问题，使用基本库存策略的下限和凸性等属性来建立与随机凸臂优化的联系，极大地提高了此问题的已知后悔上限。

May, 2019

对于隐私敏感的卖家数据，我们研究了在其上执行逻辑回归的问题。通过向卖家提供激励性的支付，目标是设计一个机制，可优化测试损失、卖家隐私和支付的加权组合，即在多个感兴趣的目标之间找到平衡。我们通过结合博弈论、统计学习理论和差分隐私的思想来解决该问题。买家的目标函数可以是高度非凸的。但是，我们证明，在问题参数的某些条件下，可以通过使用变量的变换使问题变为凸问题。当卖家数量变大时，我们还提供了描述买家的测试误差和支付的渐近结果。最后，我们通过将这些思想应用于真实的医疗数据集来进行验证。

Sep, 2023

研究了上下文动态定价问题，探讨了需求模型、遗憾上限的最优化和隐私保护对动态定价的影响。

Jun, 2024

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

研究了隐私保护学习中可用性或风险与统计查询处理机制提供的差分隐私级别之间的权衡，提出了针对有限维特征映射和潜在无限维特征映射的两种有效机制，并利用算法稳定性证明了差分隐私，并使用正则化经验风险最小化的光滑性证明了机制的效用。

Nov, 2009

本次研究讨论如何在无限供应的物品定价拍卖中最大化收益并保护买家隐私，提出了一种新算法，提供了不同隐私保证的指数权重元算法，对于收益函数的间断问题进行了缓解，其结构类似于指数机制，适用于买家分阶段进行竞标的情况，具有次线性的遗憾率。

May, 2023

通过利用随机性，本文研究了在学习者通过查询具有噪声的梯度评估的分布式 Oracle 的同时，向恶意窃听者隐藏 min (f) 的问题，将控制随机梯度算法用于隐蔽优化建模为马尔可夫决策过程，并证明动态规划算子具有超模结构，推导出最优策略具有单调阈值结构。提出了一种计算效率较高的策略梯度算法，用于在不知道转移概率的情况下搜索最优查询策略。在一个联邦设置中，将我们的方法应用于恶意窃听者可以使用最优权重生成更易误分类的有毒内容的恶意言论分类任务。数值结果表明，当学习者使用最优策略时，窃听者在没有信息时只能达到 52％的验证精度，当窃听者拥有 10％的正样本的公共数据集时，可以达到 69％的验证精度，而学习者使用贪婪策略时为 83％。

Aug, 2023

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