自适应梯度裁剪的联邦学习安全激励机制方案

来源：计算机工程与应用杂志2025年第24期北京时间：

作者：曹扬, 管桂林, 支婷, 蔡惠民

单位：1.电子科技大学 计算机科学与工程学院，成都 611731；2.中电科大数据研究院有限公司，贵阳 550022；3.提升政府治理能力大数据国家工程研究中心，贵阳 550022

摘要：联邦学习面临两大核心挑战：客户端上传模型参数缺乏隐私保护，以及数据贡献评估维度单一引发的激励公平性问题。现有隐私保护技术如同态加密存在计算开销大、差分隐私导致模型收敛速度下降及精度损失，难以满足实时场景对低延迟与高效能要求；同时，传统参与方贡献评估方法因忽视数据质量多样性，导致模型偏向数据量大的客户端，阻碍了客户端提供高质量数据。针对上述问题，提出一种基于自适应梯度裁剪的差分隐私与多维度贡献评估的联邦学习激励机制，对客户端模型参数通过差分隐私机制向梯度注入噪声，并根据当前的梯度值及公开训练样本集迭代更新梯度裁剪阈值，灵活地控制注入噪声的规模，提升生成数据的可用性；提出基于多维度数据贡献评估方法评估客户端贡献程度，并动态调整权重，进而激励客户端积极贡献高质量数据，提高全局模型的性能和数据可用性。实验结果表明，与传统的联邦学习方案相比，该方案在保证数据隐私的前提下，能够有效提升模型的训练效率和准确性。

关键词：联邦学习,激励机制,自适应梯度裁剪,差分隐私,多维度数据贡献评估,隐私保护,安全聚合