本研究提出了一种新方法，解决联邦学习中的梯度重建攻击引发的数据泄露问题。通过推导重建误差下界，并结合噪声添加和梯度剪枝策略，优化了数据泄露与模型效用之间的平衡。实验结果表明，该方法有效保护训练数据并提升模型效用。

本文探讨了基于联邦学习的隐私保护问题，提出了局部差分隐私和自适应噪声添加等多种机制，以提高隐私保护与模型性能的平衡。研究表明，这些机制有效防止攻击，提升模型准确性，并优化隐私预算和收敛速度。