采用微分隐私概念，提出一种在模型聚合之前加入人工噪音的差分隐私框架，证明该框架可以在不同保护级别下满足差分隐私。同时，优化了聚合轮数、系统总参与用户数和随机选取的用户数，实现了在不同隐私保护和性能要求下的隐私保护联邦学习算法设计，并通过仿真实验证明了该理论的正确性。

Nov, 2019

通过模拟传输和交替方向乘法的方法（ADMM），在单个信道上利用无线通道波动和干扰来改善隐私、带宽效率和可伸缩性的可扩展联合学习机制，可实现收敛保证的隐私保护，同时提高收敛速度、可扩展性、通信带宽和能量效率。

Jul, 2020

通过设计基于随机稀疏化算法的梯度稀疏化联邦学习框架，该框架在无线信道上进行训练，提升了训练效率且不牺牲收敛性能，同时降低了差分隐私所引起的性能下降和无线信道传输参数数量。

Apr, 2023

本文提出了一种无线边缘私有联邦学习方案PFELS，通过奇异值稀疏化降低通信通信和能源消耗，提高交付速度，保证客户端级别的差分隐私，实现共享全局模型过程中的隐私安全保障。实验结果表明，与现有技术相比，PFELS在保持同等差分隐私保障的同时能提高准确率和节省通信和能源成本。

Apr, 2023

本研究提出一种差分隐私OTA-FedAvg系统，通过对齐系数进行梯度聚合并使用通道噪声保护隐私来提高学习性能，同时设计设备调度，对齐系数和FedAvg执行次数以满足隐私和功率约束。通过收敛性分析和优化方法，验证了该策略的有效性。

May, 2023

本研究提出一种名为PO-FL的概率设备调度框架，以缓解通道噪声的负面影响，在模型对聚合过程中使用该概率重量进行重新加权，通过经验分析得出结论：设备调度通过通信失真和全局更新方差影响学习性能。通过基于收敛性分析，进一步开发了基于渠道和梯度重要性感知的算法，以优化PO-FL中的设备调度概率。广泛的仿真结果表明，基于渠道和梯度重要性感知的PO-FL框架可以实现更快的收敛速度，并产生优于基准方法的模型。

May, 2023

本文提出一种新的方法，将联合学习与MIMO系统的内部工作无缝集成，实现隐私保护的分布式机器学习.

Jun, 2023

通过使用正交序列的特性, FLORAS在通信设计角度消除了发送器处的信道状态信息(CSIT)的要求,提出了一种用于单输入单输出(SISO)无线联邦学习(FL)系统的新颖的隐私保护上行计算(Over-the-Air Computation)方法, 并通过调整系统参数,可以在没有额外成本的情况下灵活地实现不同的差分隐私(DP)级别。同时,FLORAS提供了单项和客户差分隐私保证。

Jun, 2023

本文介绍了一种私有集成学习方案，以处理联合学习中的隐私问题，并推导出信息论隐私所需的通信成本的基本限制。

Jun, 2023

本研究针对联邦学习中隐私保护不足的问题展开，探讨了现有对于噪声联邦差分隐私分析的局限性。通过引入 f-DP 分析方法，论文证明了 Noisy-FedAvg 方法在隐私保护中的收敛下界，以及 Noisy-FedProx 方法的稳定隐私下界，为联邦学习的隐私保护提供了理论支持，并可推广应用至其他差分隐私分析框架。

Aug, 2024