我们设计了不同ially私有算法来解决动态遗憾下的专家建议预测问题。针对三种对手类型，提出了次线性遗憾的算法。特别是在随机对手情况下，提出了一个ε-差分隐私算法，其期望动态遗憾为O(S T log(N T) + S log(N T) / ε)。对于无知对手，动态遗憾的最小化可转化为静态遗憾的最小化，并得出期望动态遗憾的上界。此外，我们证明了无知对手与自适应对手之间的基本区别。

南京理工大学和加拿大维多利亚大学的研究团队提出了一种改进的分布式在线多步迭代Frank-Wolfe算法。该算法在时变网络上通过多步迭代提高收敛性能，解决高维约束优化问题。新算法无需先验知识，动态遗憾上界更紧。实验验证了其在单纯形和范数球约束下的有效性，并探讨了动态遗憾、计算和通信成本的权衡。研究结果在真实数据集上得到了验证。