来源：期刊VIP网 时间：
作者：李佳恒;吴钦木;
单位：贵州大学电气工程学院;
摘要：随着汽车互联技术的普及，联邦学习已成为解决数据隐私安全问题的重要手段。然而，与此相伴的成员推理攻击和通信成本仍有待解决和改善。文中提出采用联邦差分隐私方法以防御成员推理攻击，并引入了三元梯度技术和模型压缩以进一步降低通信成本。在差分隐私实验中，通过比较不同高斯噪音分布的方差，发现与传统的差分隐私相比，联邦差分隐私更接近于无隐私保护方案的准确率，特别是当C>1时效果最好。在三元梯度实验中，观察到在数据集MNIST、Cifar10、Cifar100、SVHN上，训练梯度分别降低了93.33%、93.56%、93.60%和93.74%，这表明三元梯度可以更有效地降低通信成本。在层敏感度实验中，发现在rate=85%、90%、95%时的准确率与未压缩时（rate=100%）的准确率相差无几，进一步证明所提方法为解决成员推理攻击和降低通信成本的有效性。
关键词：三元梯度;;三元联邦学习;;车联网;;通信效率;;联邦差分隐私;;模型压缩
