本研究探讨了差分隐私的统计估计问题，并且提出了差分隐私比较准确的估计方法，其中加入了随机噪声以提高数据的隐私保护性，同时也介绍了Gross Error Sensitivity，将其与差分隐私紧密联系。

Jun, 2012

本研究在高维度背景下研究差分隐私的均值估计问题，通过将高维度鲁棒统计的结果应用到差分隐私中，提出了一种计算可行的算法，能够在高维度下完成差分隐私的均值估计，并且在人工合成数据集上表现出了优异的性能。

Jun, 2020

对于从共享数据中进行统计学习和分析，在保证隐私和鲁棒性两个主要问题中，PRIME是第一种同时实现了隐私性和鲁棒性的高效算法, 可以应用于广泛的分布。我们还使用了一个新的指数时间算法来提高PRIME的样本复杂度，达到接近最优的保证，并与已知的（非鲁棒）私有均值估计的下限相匹配，说明同时保证隐私和鲁棒性不需要额外的统计代价。

Feb, 2021

提出并分析了一系列算法来解决在用户级差分隐私约束下的学习任务，包括高维均值估计、平滑损失函数的经验风险最小化、随机凸优化以及具有有限度量熵的学习假设类。

Feb, 2021

本文研究了用户级差分隐私下的高维度平均值估计，提供了用户数量与每个用户所需样本数量之间的最优权衡，并设计了一个(ε,δ)-差分隐私机制，即使当用户数量与δ的对数之积很小时也能保证隐私安全，同时与维度无关，适用于学习离散分布以及其它问题。

Oct, 2021

本文提出一种算法来解决在不同隐私偏好的用户条件下的均值估计问题，并发现在两组用户具有不同隐私级别的情况下，该算法是最优的。当一个群体的隐私要求得到放宽时，会出现一个饱和现象，即进一步放宽该群体的隐私要求并不能改善估计器的性能。因此，中央服务器可以在不影响性能的情况下提供一定程度的隐私保护。

Apr, 2023

提出了一种私有化适应噪声的算法（PLAN），用于独立从分布中取样的输入的均值估计问题，并且这一算法根据数据的形状调整噪声的形状以获得更好的效果，并在密度分布的集中假设下进行实验验证。

Jun, 2023

通过指纹技术和贝叶斯方法，我们改进了高维度隐私估计的下界。我们提出了计算高斯协方差和重尾分布均值的样本数量下界，并与先前工作的结论进行了比较。

Oct, 2023

该论文研究差分隐私中个体隐私偏好对均值估计的影响，并提出了一种接近线性运行时间且极小化的算法，结果表明最严格隐私要求的用户决定了整体误差率，其他隐私偏好较低但不同的用户将获得超过需求的相等隐私保护，而估计器性能不受影响。

Oct, 2023

本研究解决了在用户级局部差分隐私下的均值估计问题，特别是在用户数据样本数量不一致的情况下。提出了一种分布感知的均值估计算法，并确定了该算法在最坏情况下的风险界限，结果在对数因素上渐近匹配，并在样本数量相同的情况下收敛到已知界限。这项工作为优化隐私保护下的均值估计提供了新的理论基础。

Oct, 2024