我们考虑高维度的随机情景线性赌博问题，在参数向量是 $s_{0}$- 稀疏的情况下，决策者受到差分隐私在中心模型和本地模型下的约束。我们提出了 PrivateLASSO，一种差分隐私的 LASSO 赌博算法，它基于两个子例程：(i) 基于稀疏硬阈值的隐私机制和 (ii) 用于识别参数 $ heta$ 支撑集的时序阈值规则。我们证明了最小化差分隐私的下界，并在标准假设下为 PrivateLASSO 在中心模型下建立了隐私和效用保证。

Feb, 2024

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

本文研究联邦线性情境强化学习在用户级差分隐私下的模型，介绍了用户级中心差分隐私和本地差分隐私，并研究了学习遗憾与相应差分隐私保证之间的基本权衡。对于中心差分隐私，提出了一种联邦算法 Robin，并在满足用户级差分隐私的情况下证明了其近乎最优，对于本地差分隐私，获得了一些下界，表明在不同条件下，满足用户级 (ε，δ）-LDP 的学习必须遭受至少 min {1/ε，M} 或 min {1 / 根号下 ε，根号下 M} 的遗憾膨胀因子。

Jun, 2023

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

提出了一种新的在线算法 LinPHE，用于最小化随机线性赌博机中的累积遗憾，该算法通过构建扰动历史来达到目的，并获得了关于线性模型的高性能预测模型，在包括逻辑回归模型的各种场景中都具有可行性。

Mar, 2019

本研究提出一种基于差分隐私约束条件的在线探索强化学习算法，该算法达到了非隐私算法的信息理论下限，同时利用隐私发布噪音技术获得了隐私保护，解决了个性化医疗等隐私数据应用中数据使用安全的问题。

Dec, 2022

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

研究了在联邦学习中维持隐私的问题，提出了一种隐私保护的联邦组合赌博算法，P-FCB，该算法在保持敏感信息私密的同时提高了效率和减少后悔的风险。

Jun, 2022

研究如何在高维度环境下应用稀疏估计和在线学习算法改进上下文强化学习中的多臂老虎机与背包问题，通过联合在线估计和原始 - 对偶框架，控制背包容量，从而取得了特征维度对数级依赖的次线性遗憾，同时在数据贫瘠和数据丰富情况下实现了最优遗憾结果。

Nov, 2023