本地差分隐私下基于聚类的两阶段多任务学习算法

来源：计算机工程与应用杂志2026年第12期北京时间：

作者：方贤进, 程俊, 张朋飞, 方翔, 陈家庆, 王杰

单位：1.安徽理工大学 计算机科学与工程学院，安徽 淮南 232001；2.云南省服务计算重点实验室（云南财经大学），昆明 650221；3.安徽理工大学 安全科学与工程学院，安徽 淮南 232001；

摘要：随着多任务学习在数据分析中的广泛应用，其隐私泄露风险日益凸显。传统方法依赖可信服务器且忽视噪声干扰，同时仅考虑任务相关性，导致隐私保护不足与模型性能下降。提出了一种满足本地差分隐私（local differential privacy，LDP）的基于K-Means聚类的两阶段多任务学习算法（local differential privacy K-means-based two-stage multi-task learning，KTMTL），旨在实现隐私保护与模型效用的协同优化。在第一阶段，通过改进K-means聚类算法，采用Huber距离替代欧氏距离，有效抑制因拉普拉斯噪声引入的离群点影响；在第二阶段，设计交互式多任务学习模型，联合建模任务间特征关联性与任务相关性，并利用梯度聚合优化模型参数。理论分析表明，KTMTL严格满足LDP且复杂度可控。在School、ADNI和合成数据集上的实验显示，KTMTL在相同隐私预算下，相较于DP-MTRL和DP-DMTL，模型预测精度（AUC）提升10%~15%，归一化均方误差（nMSE）降低8%~12%，同时运行效率显著优于同类方法。KTMTL通过协同优化隐私保护与任务分组质量，为隐私敏感场景下的多任务学习提供了高效、鲁棒的解决方案。

关键词：隐私保护,本地差分隐私,K-means聚类,多任务特征学习,多任务关系学习

基金资助：国家自然科学基金（61572034）；云南省服务计算重点实验室开放课题（YNSC24116）。