近日，我院张啸剑教授与硕士研究生张雷雷、张治政合作撰写的学术论文《基于用户级别本地化差分隐私的联邦学习方法》在《计算机研究与发展》线上发表。张啸剑教授为此论文第一作者，河南财经政法大学为第一单位。

针对联邦数据的类型、本地更新的裁剪、隐私预算的分配以及用户掉线问题直接制约着全局联邦学习模型精度的问题，该研究提出了一种有效基于用户级别本地化差分隐私的联邦学习算法ULDP-FED。实验表明，在MNIST和CIFAR10数据上与现有算法相比，ULDP-FED算法其模型精度更高。

《计算机研究与发展》是由中国科学院计算技术研究所和中国计算机学会联合主办、科学出版社出版的知名期刊，是中国计算机学会(CCF)-A类中文期刊、属于计算领域高质量科技期刊T1类、同时也是我校校定A类期刊。注重刊登软件技术、信息安全、计算机网络、体系结构、人工智能、计算机应用技术（图形图象、自然语言处理、信息检索）、数据库技术、存储技术等领域应用需求驱动的重大技术突破和理论创新的研究内容。

全文链接信息：https://crad.ict.ac.cn/article/doi/10.7544/issn1000-1239.202330167

 一审：王春秋 二审：张守锋 三审：蔡伟峰