该研究提出了一种基于 Kashin 表示和随机抽样的方案以及利用 Walsh-Hadamard 矩阵的递归结构来实现隐私和通信效率的联合优化编码和解码机制，对平均值估计和频率估计等问题进行了研究。

Jul, 2020

本文研究了分布式估计和学习问题。利用线性聚合方案和调整的随机化方案，通过交换信息，聚合数据并在保护个体隐私的前提下估计未知特征值。通过对一些例子的验证，证明该算法的高效性和性能保障。

Jun, 2023

为了解决联邦学习框架下传统 ERM 问题所面临的隐私保障、低带宽、动态客户端等挑战，我们开发了最优通信 - efficient 私密方案，可以使客户端参与到 ERM 的优化中，同时保证通信和隐私效果，并利用数据和客户端抽样实现隐私扩大，验证了我们的解决方案既能够获得相同的隐私、优化 - 性能操作点，又能大幅降低通信成本。

Aug, 2020

提出一种半分散式联邦学习算法，在其中客户端通过中央参数服务器（PS）中继其邻居的本地更新进行合作，以实现全局更新，有效提高收敛速度和精度。

May, 2022

该研究关注于代理人合作的均值估计问题，提出了两种协作均值估计算法，并建立了性能的理论描述和渐近最优估计条件。

Feb, 2024

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

本文研究如何在分布式计算环境中在通信成本约束下，适应一系列随机化算法以在预期的通信成本和估计误差之间进行权衡，实现对一组向量的平均值估计，为分布式优化和学习算法中的 reduce-all 操作提供了一种解决方案。

Nov, 2016

提出了一种新的算法框架 ProjUnit，用于保证局部隐私均值估计，该算法框架通过将随机器的输入投影到随机低维子空间并规范化结果，然后在低维空间中运行优化算法来实现计算效率高，通讯复杂度低，并且具有最优误差，同时，通过适当地对设备之间的随机投影矩阵进行相关性，可以实现快速服务器运行时间，最后，实验表明，该算法框架在保持优异的准确度的同时，具有显著较低的通讯和计算成本。

Jun, 2023

本文为研究局部隐私约束下的估计方案制定下限，推导出了私有估计和受通信限制的估计问题之间的等价性，适用于任意交互的隐私机制，并且得出了所有不同隐私保护级别的尖锐下限。作者作为对研究结果的一个重要推论，证明了有界或高斯随机向量的均值估计的最小最大均方误差按比例缩放的结论为 $d/n * d/min (ε,ε^2)$ 。

Feb, 2019

本研究提出了一种使用本地存储计算的网络数据，并具有隐私保护的多层随机块模型的共识社区检测和估计的新方法，通过采用随机响应机制来扰动网络边缘，使用偏差调整程序进行去偏差矩阵的特征分解和 K-means 聚类。

Jun, 2023