计算机工程

作者：曹天涯, 张雨静, 贾俊杰, 张宇帆, 邓晓飞

单位：西北师范大学计算机科学与工程学院, 甘肃 兰州 730070

关键词：联邦学习,隐私保护,差分隐私,隐私预算,个性化梯度裁剪

基金：甘肃省自然科学基金(23JRRA686)

联邦学习作为目前深度学习最为常用的隐私保护框架, 被众多机构广泛应用。此框架中的各个参与方通过上传模型参数数据实现本地数据不离本地, 达到共享数据的目的。但在联邦学习中各个参与方频繁上传及接收参数时易出现隐私泄露问题。为解决这一问题, 提出一种基于个性化梯度裁剪的联邦学习隐私保护算法(AADP_FL)。该算法根据参与方不同网络层历史数据的L1范数计算出各层的裁剪阈值, 对梯度数据进行裁剪以限制梯度范围, 预防梯度爆炸及梯度消失。同时计算各层的贡献度, 根据各层贡献度为每层分配隐私预算, 进而添加个性化噪声。参与方在上传数据时加入适量的噪声, 以掩盖上传数据的具体内容, 进而隐藏各个参与者的贡献率, 保护各个参与方的数据安全。经过一系列实验证明, AADP_FL算法的准确率相较于常用的个性化梯度裁剪方法提升3.5百分点以上, 相比于传统的联邦学习框架也能保持较高的准确率。同时, 该算法在保持较高准确率的同时能严格保护参与方数据的隐私安全, 使得模型性能与数据隐私性达到均衡状态。

来源：2026年第2期

《计算机工程》期刊编辑部

查看计算机工程杂志2026年第2期