该研究提出了一种新信任模型，旨在改善差分隐私强化学习中的用户数据隐私保护，开发了针对洗牌模型的算法，实验结果显示其隐私成本优于传统模型。

本文研究了本地差分隐私模型下敏感统计信息的收集，提出了一种算法，其隐私成本与用户值的更改数量的对数成正比。通过匿名化用户报告，展示了中心式差分隐私模型下的LDP算法的隐私成本更低。通过新的隐私放大技术，证明了任何置换不变的算法，满足ε局部差分隐私的同时，也会满足（O（ε sqrt {log（1/δ）/n）}，δ）中心差分隐私。研究结果表明，基于LDP的工业部署的隐私成本比宣传的ε值低，至少在报告经过匿名化的情况下。

本文研究了本地差分隐私模型下敏感统计信息的收集，提出了一种算法，其隐私成本与用户值的更改数量的对数成正比。通过匿名化用户报告，我们展示了中心式差分隐私模型下的LDP算法的隐私成本更低。通过新的隐私放大技术，我们证明了任何置换不变的算法，满足ε局部差分隐私的同时，也会满足（O（ε sqrt {log（1/δ）/n）}，δ）中心差分隐私。研究结果表明，基于LDP的工业部署的隐私成本会比宣传的ε值所表示的要低得多。

本文研究了本地差分隐私模型下敏感统计信息的收集，并提出了一种算法，其隐私成本与用户值的更改数量的对数成正比。通过匿名化用户报告，我们展示了以中心式差分隐私模型来看待时，我们的 LDP 算法的隐私成本实际上更低。通过新的隐私放大技术，我们证明了任何置换不变的算法，满足 ε 局部差分隐私的同时，也会满足（O（ε sqrt {log（1/δ）/n）}，δ）中心差分隐私。研究结果表明，基于 LDP 的工业部署的隐私成本会比宣传的 ε 值所表示的要低得多，至少是在报告经过匿名化的情况下。