计算机应用

作者：张淑芬, 汤本建, 田子坤, 秦肖阳

单位：1.华北理工大学 理学院，河北 唐山 063210；2.河北省数据科学与应用重点实验室（华北理工大学），河北 唐山 063210；3.唐山市数据科学重点实验室（华北理工大学），河北 唐山 063210

关键词：联邦学习,差分隐私,数据聚合,梯度下降,模型训练

基金：国家自然科学基金资助项目(U20A20179)

随着人工智能的快速发展，用户隐私泄露风险日益严重。差分隐私是一种关键的隐私保护技术，通过在数据中引入噪声防止个人信息泄露，而联邦学习（FL）则允许在不交换数据的情况下共同训练模型，保护数据的安全性。近年来，差分隐私技术与FL的结合使用可以充分发挥它们各自的优势：差分隐私确保数据使用过程中的隐私保护，而FL则通过分布式训练提高模型的泛化能力和效率。针对FL的隐私安全问题，首先，系统性地总结和比较基于差分隐私的FL的最新研究进展，包括不同的差分隐私机制、FL算法和应用场景；其次，重点讨论差分隐私在FL中的应用方式，包括数据聚合、梯度下降和模型训练等方面，并分析各种技术的优缺点；最后，详细总结该领域当前存在的挑战和发展方向。

来源：2025年第10期

《计算机应用》期刊编辑部

查看计算机应用杂志2025年第10期