计算机科学与探索

作者：刘义, 蒋澄杰, 杨松涛, 张磊, 吴世伟

单位：1. 佳木斯大学 信息电子技术学院，黑龙江 佳木斯 1540072. 佳木斯大学 信息电子技术学院 黑龙江省自主智能与信息处理重点实验室，黑龙江 佳木斯 1540073. 佳木斯市卫星导航技术与装备工程技术重点实验室，黑龙江 佳木斯 1540074. 蚌埠学院 计算机与信息工程学院，安徽 蚌埠 233000

关键词：联邦学习,差分隐私,异构环境,个性化差分隐私,隐私-通信权衡

基金：黑龙江省省属本科高校基本科研业务费科研项目（2024-KYYWF-0564）；佳木斯大学国家基金培育项目（JMSUGPZR2022-014）；黑龙江省自主智能与信息处理重点实验室开放课题（ZZXC202302）；佳木斯大学“东极”学术团队项目（DJXSTD202417）；黑龙江省省属本科高校优秀青年教师基础研究支持计划（YQJH2024239）；黑龙江省自然科学基金联合基金培育项目（PL2024F002）。

在联邦学习中，差分隐私是应对隐私问题的关键技术，但差分隐私在联邦学习的异构环境适应、个性化隐私设计及通信优化等方面仍面临诸多问题。针对联邦学习中差分隐私的研究现状，围绕三类典型应用场景——异构环境下的差分隐私、个性化差分隐私保护以及差分隐私-通信优化机制，展开深入分析。分别探讨统计异构、设备异构与模型异构条件下差分隐私机制的设计思路，比较各类方法在扰动策略、预算分配与适配能力等方面的技术路径及演化趋势。在此基础上，进一步总结当前差分隐私机制在计算效率、通信开销及模型适应性方面的性能表现，归纳其优势与不足，并通过典型算法对比明确不同机制的适用场景。为了更全面评估这些机制的实际效果，还结合实验结果分析差分隐私策略在联邦学习中对模型精度、通信轮次与收敛速度的影响，揭示其在保护隐私与提升效用之间的权衡关系。基于现有研究的不足，展望差分隐私在多维异构与个性化场景下的联合优化机制。

来源：2025年第12期

《计算机科学与探索》期刊编辑部

查看计算机科学与探索杂志2025年第12期