本文提出了一种优化隐私约束下的统计数据效用和提供者数据与私有视图互信息的方法，即 $k$-子集机制。该机制实现了离散分布估计，并展示了其优势。

本文研究了梯度反演攻击对联邦学习安全和隐私保护的威胁，提供了应对策略。发现在适当的方法组合下，攻击可以更加有效地被抵抗。最新的攻击可以通过稍微降低数据效用的方式来抵御。