本文研究了本地ε-差分隐私下的统计学习，提出了k-子集机制以优化隐私约束下的统计数据效用，并分析了现有机制的局限性。通过隐私保护概率映射技术，解决了实际挑战，确保数据用途的同时实现良好的隐私保护效果。

本文探讨了基于局部差分隐私（LDP）的方法，提出多种算法以保护用户隐私，提升数据收集的准确性和安全性。研究表明，结合上下文信息和新隐私放大技术，可以有效降低隐私成本，同时保持数据效用。

本文提出了一种优化隐私约束下的统计数据效用和提供者数据与私有视图互信息的方法，即 $k$-子集机制。该机制实现了离散分布估计，并展示了其优势。

本文研究了梯度反演攻击对联邦学习安全和隐私保护的威胁，提供了应对策略。发现在适当的方法组合下，攻击可以更加有效地被抵抗。最新的攻击可以通过稍微降低数据效用的方式来抵御。