基于自适应噪声和动态加权的联邦学习算法

来源：计算机应用研究杂志2025年第3期北京时间：

作者：王红林,薛珊,朱丞,

单位：1.南京信息工程大学a.人工智能学院(未来技术学院);b.计算机学院,南京210044；2.伊利诺伊大学厄巴纳-香槟分校电子与计算机工程学院,美国厄巴纳61801；

摘要：将差分隐私应用于联邦学习是保护训练数据隐私的有效方法之一，但在现有的算法中，添加固定噪声进行模型训练会导致模型精度不高、数据隐私泄露的问题。为此，提出了一种基于自适应噪声和动态加权的联邦学习算法（DP-FedANAW）。首先，考虑到梯度的异质性，该算法为每个客户端预测当前轮次梯度范数，获得裁剪阈值，为其进行不同轮次自适应裁剪梯度，从而实现自适应调整噪声；其次，为了进一步提高模型的训练效率，该算法还提出了一种将客户端贡献度与数据量相结合的动态加权模型聚合方法。实验结果表明，该算法在满足差分隐私的前提下，与DP-FL和其他两个自适应噪声的算法相比，不仅准确率提高了5.03、2.94和2.85百分点，而且训练轮次整体提高了5~40轮。

关键词：联邦学习,差分隐私,自适应噪声,自适应裁剪,动态加权,

基金资助：国家自然科学基金委员会青年项目(62101275,62101274)；；