本文介绍了一种联邦学习框架，通过使用差分隐私机制，从不同站点本地持有的分布式健康数据中学习全局模型，提供了两个级别的隐私保护。该框架在两个医疗应用程序上的评估证明了其在提供更高级别的隐私保护和维护全局模型效用方面的可行性和有效性。

本文研究了神经切线内核回归中的差分隐私机制，保障隐私的同时保持良好的测试准确性，并在CIFAR10数据集上进行实验证明了NTK回归在有限的隐私预算下具有较高的准确性。