该文综述联邦学习中的隐私保护研究，重点探讨差分隐私与隐私-效用平衡。涉及ULDP-FL、Fed-SMP、DP-FedSAM等框架，通过梯度扰动、稀疏化、加权裁剪等技术实现用户级或客户端级差分隐私，并利用Renyi DP进行隐私分析。实验表明，这些方法在保证隐私的同时提升了模型准确性和通信效率。

PrivaTree是一种新的方法，基于私有直方图的决策树扩展算法，提供更好的隐私-效用平衡，具有更好的鲁棒性，同时消耗小的隐私预算。