本文提出了一种使用差分隐私技术保证贝叶斯学习个体隐私安全的算法，采样自后验分布得出的估计符合要求，同时随机梯度下降方法也可以达到类似效果，是较好的解决贝叶斯学习隐私问题的方法。
Feb, 2015
本文研究在隐私限制下，离散分布的Minimax估计问题。通过将保密方案分别应用于每个原始样本，我们需要从保密样本中估计原始样本的分布。对于给定的ε，我们考虑构造具有ε-隐私级别、即能够最小化最坏情况下的预期估计损失的最优保密方案问题。本文提出了一种新的保密方案族，它在中等隐私度量ε的情况下显著提高了现有方案的性能。
Feb, 2017
本文提出$f$-差分隐私，一种新的隐私松弛定义，避免了使用发散松弛的一些困难，并支持隐私定义的组合和代数推理。同时，作者通过介绍高斯差分隐私，一个基于测试两个移动高斯函数的$f$-差分隐私的单参数家族，并通过数学证明和计算机实验了演示工具，进一步完善并解决了隐私数据分析的问题。
May, 2019
通过数值计算和密度提升实现了对SGM（Sampled Gaussian Mechanism）的精确计算，进一步探究了其隐私性质。
Aug, 2019
本文介绍了差分隐私中的两种实例优化概念，并提出了一种补充试点机制，称为反敏感机制，可针对一类估计量进行实例优化。此外，这些机制在多个函数类别的每个实例上都可以优于平滑敏感性框架。
May, 2020
本文旨在通过使用从Rényi距离获得收敛速度的Langevin动态算法，给出Differentially Private算法的快速实现方法，特别是对于平滑，强凸f的情况。
Oct, 2020
随机洗牌可显著提高局部随机化数据的差分隐私保证，我们提出了一种基于新方法的差分隐私算法，其具有渐近最优的依赖性，应用于洗牌模型中的频率估计，是简单且近乎最优的算法。
Dec, 2020
本文利用分布式鲁棒优化技术，开发了一种机制设计模型，以实现最高准确度和隐私预选级别的非渐近和无条件最优性保证。
Apr, 2023
基于离散扩散模型的数据生成方法的隐私保护能力在理论上进行了开拓性研究，重点研究了每个数据点的潜在隐私泄露，并通过数据预处理减少离散扩散模型生成的合成数据的隐私风险。同时，实验证实了理论研究结果对合成数据和真实世界数据的适用性。
Oct, 2023
该研究聚焦于利用f-DP改进随机初始化的洗牌模型和一次迭代的差分隐私梯度下降（DP-GD）算法的隐私界限，并得到了洗牌模型的交替函数的闭式表达式，同时研究了随机初始化对于DP-GD的隐私影响。