只注重安全聚合的联邦学习

联邦学习是一种保护用户隐私的机器学习方法，它允许多个设备或组织在不共享数据的情况下协同训练模型。其中一种安全聚合的方法是差分隐私，它通过向数据添加噪声来保护隐私。在联邦学习中，差分隐私通常用于保护本地模型参数的隐私，以便在聚合时保持数据的隐私性。

联邦学习中还有其他安全聚合的方法，如安全多方计算（Secure Multi-Party Computation，SMPC）和同态加密（Homomorphic Encryption，HE）。这些方法可以在不泄露数据的情况下进行计算，从而保护数据的隐私性。但是，这些方法通常需要更高的计算和通信成本，因此需要权衡安全性和效率。