本研究提出了一种在去中心化框架下减少噪声方差的差分隐私策略，确保低计算和通信开销，同时保持准确性，对分布式推荐系统具有重要意义。

本文提出了一种局部差分隐私的联邦学习算法，旨在保护参与者的梯度隐私。通过动态分配噪声方差，优化误差上界，该算法在隐私保护与模型效用之间取得了良好平衡。实验结果表明，该算法在隐私保护和性能方面优于现有方法，验证了其有效性。

该研究提出了BTS-RED框架，包含三个算法，用于解决实验设计中的多个条件同时评估和重复观测噪声大而异方差的问题。三个算法分别适用于已知和未知噪声方差的情况，并能在噪声异方差的情况下保证理论性能，适用于精准农业和自动机器学习等实际应用。