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。

本文综述协作与联邦学习中的梯度隐私攻防，提出兼顾隐私、效用与通信效率的双梯度修剪防御，并介绍可微图攻击、递归梯度攻击、SAPAG等攻击方法，以及隐私保护求和、DGREC推荐等防御，表明梯度裁剪是有效策略。