南京邮电大学学报(自然科学版)

作者：杨健,张世召,夏友旭,王藤遇,钱奕安

单位：南京邮电大学 计算机学院，江苏 南京 210023南京邮电大学 计算机学院，江苏 南京 210023南京邮电大学 计算机学院，江苏 南京 210023南京邮电大学 计算机学院，江苏 南京 210023南京邮电大学 计算机学院，江苏 南京 210023

关键词：联邦学习;差分隐私;数据异构;动量;自适应噪声

基金：国家自然科学基金青年基金 （62201285）和江苏省研究生科研与实践创新计划（SJCX24_0317）资助项目

联邦学习（Federated Learning，FL）是一种分布式机器学习技术，允许多个设备或组织通过共享训练参数而非原始数据进行模型训练。然而，攻击者仍可能对这些训练参数实施推理攻击（如差分攻击）来推断个体信息。因此，差分隐私（Differential Privacy，DP）技术被广泛应用于联邦学习中以防御此类攻击。文中基于客户级（Client-Level）差分隐私噪声优化的联邦学习场景，设计了一种基于个性化本地动量的自适应差分隐私联邦学习算法。具体而言，通过在客户端本地设置个性化动量对本地模型进行动态校准，以克服客户端漂移问题；其次，设计通过裁剪阈值自适应衰落实现的自适应 DP 方法，可动态优化各客户端的噪声添加规模。在 Cifar10、Cifar100 和 SVHN 数据集上的实验结果表明，相同隐私保护级别下，该算法性能优于已有工作。

来源：2026年第02期

《南京邮电大学学报(自然科学版)》期刊编辑部

查看南京邮电大学学报(自然科学版)杂志2026年第02期