基于自适应差分隐私与客户选择优化的联邦学习方法.pdfVIP

JournalofComputerApplicationsISSN1001⁃90812025⁃02⁃10

计算机应用,2025,45(2):482-489CODENJYIIDUhttp://www.joca.cn

文章编号：1001-9081（2025）02-0482-08DOI:10.11772/j.issn.1001-9081.2024020162

基于自适应差分隐私与客户选择优化的联邦学习方法

1，21，2，3*1，41，41，4

徐超，张淑芬，陈海田，彭璐璐，张帅华

（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.北京交通大学唐山市大数据安全与智能计算重点实验室，河北唐山063210；

4.唐山市数据科学重点实验室（华北理工大学），河北唐山063210）

（∗通信作者电子邮箱zhsf@ncst.edu.cn）

摘要：将差分隐私应用于联邦学习的方法是保护训练数据隐私的关键技术之一。针对之前多数工作未考虑参

数的异质性，对训练参数均匀裁剪使每轮加入的噪声都是均匀的，从而影响模型收敛和训练参数质量的问题，提出一

种基于梯度裁剪的自适应噪声添加方案。考虑梯度的异质性，在不同轮次为不同客户端执行自适应的梯度裁剪，从

而使噪声大小自适应调整；同时，为进一步提升模型性能，对比传统的客户端随机采样方式，提出一种结合轮盘赌与

精英保留的客户端采样方法。结合上述2种方法，提出一种结合客户端选择的自适应差分隐私联邦学习

（CSAGCDP_FL）方法。实验结果表明，在隐私预算为0.5时，相较于自适应差分隐私的联邦学习方法（Adapt

DP_FL），所提方法能在相同级别的隐私约束下使最终的模型分类准确率提升4.9个百分点，并且在收敛速度方面，所

提方法相较于对比方法进入收敛状态所需的轮次减少了4~10轮。

关键词：联邦学习；差分隐私；自适应噪声；轮盘赌；精英保留

中图分类号：TP309文献标志码：A

Federatedlearningmethodbasedon

adaptivedifferentialprivacyandclientselectionoptimization

XUChao1，2，ZHANGShufen1，2，3*，CHENHaitian1，4，PENGLulu1，4，ZHANGShuaihua1，4

（1.CollegeofScience，NorthChinaUniversityofScienceandTechnology，TangshanHebei063210，China；

2.HebeiKeyLaboratoryofDataScienceandApplication（NorthChinaUniversityofScienceandTechnology），TangshanHebei063210，China；

3.TangshanKeyLa