计算机应用研究

作者：赵金叶,李晓会,贾旭,

单位：辽宁工业大学电子与信息工程学院,辽宁锦州121000；

关键词：个性化联邦学习,差分隐私,DBSCAN聚类,非独立同分布数据,隐私预算,

基金：国家自然科学基金青年基金资助项目(61802161)；辽宁省应用基础研究计划资助项目(2022JH2/101300278,2022JH2/101300279)；2024年辽宁省属本科高校基本科研业务费专项资金资助项目(LJZZ212410154025,LJZZ222410154004)；辽宁工业大学研究生教育改革创新基金资助项目(YJG2023013)；；

针对非独立同分布数据的联邦学习场景中，采用单一的全局模型往往会忽略不同任务需求而导致模型精度下降的问题，提出一种结合DBSCAN聚类的局部差分隐私个性化联邦学习算法（DBSCAN local differential privacy-personalized federated learning，DBLDP-PFL）。首先引入了局部差分隐私机制，在客户端训练过程中添加噪声来保护单个客户端的数据隐私；其次根据客户端的隐私预算，采用概率选择方法筛选参与训练的客户端；最后在联邦学习的框架中，设计了动态选择的聚类算法，通过相似客户端之间的迭代学习获得更优的全局模型。实验结果表明相比于NbAFL、LDPKmeans、HDP-EFL，该算法在保护数据隐私的同时，模型的准确率在MNIST数据集下分别提升了约10.09%、4.38%与3.33%。

来源：2025年第10期

《计算机应用研究》期刊编辑部

查看计算机应用研究杂志2025年第10期