1.2.2.2 按技术范式 (加密、扰动、合成)

文档摘要

1.2.2.2 按技术范式 (加密、扰动、合成) 1.2.2.2 按技术范式 (加密、扰动、合成)：联邦学习中扰动范式的DP噪声注入实战优化，避开准确率崩盘的深坑想象一下，你是联邦学习项目的骨干工程师，手握多方医疗数据源，却因隐私法规卡壳：怎么让模型在不汇集原始数据的情况下训练？加密听起来稳如老狗，但计算开销像吞了铅；合成数据生成花哨，却总担心“假数据”学不出真本事。这时，扰动范式横空出世，像在敏感数据里洒一把“隐私沙子”，让攻击者抓瞎，却不伤模型筋骨。这不是科幻，而是PETs（Privacy-Enhancing Technologies）按技术范式的经典划分：加密像铁桶防护，扰动添乱护航，合成变废为宝。今天，我们直击痛点——联邦学习中扰动技术的差分隐私（DP）噪声注入实战优化。