计算设备性能的大幅升级满足了机器学习技术对大规模运算的要求,进而掀起了人工智能的潮流。然而,数据资源却因各种原因变得更加分散。一方面,频发的数据安全事件证明传统数据中心隐私保护能力不足;另一方面,移动智能设备的普及使得人们已经有能力自行存储,管理和使用数据。联邦学习作为一种面向分散数据集的机器学习方案,期望以交换模型更新的方式实现数据的安全聚合与使用。但通信代价常常制约其效用的发挥,并且觊觎数据价值的攻击者仍能使用重构攻击和推理攻击等手段获取联邦成员的隐私信息。本地差分隐私技术常因其去中心化的实施形式,被用于帮助联邦学习完成隐私计算。但扰动机制引入的噪声会降低数据可用性。针对上述问题,本文开展如下工作:一、基于本地差分隐私频数估计的联邦学习方案设计。考虑到联邦平均算法在梯度平均模式下通信代价高的情况,本文引入SignSGD方法和动量方法,以其结合形式产生的符号化梯度代替对损失函数求导得到的数值型梯度作为模型更新参数,以压缩客户端的上行传输数据量。再进一步使用基于随机响应方法的本地差分隐私机制对离散形式的符号化梯度进行随机扰动,为梯度数据提供增强的隐私安全保障。在服务器端,扰动后的符号化梯度按照本地差分隐私机制的要求完成频数估计,再按过半票决原则进行全局模型更新。实验表明,在联邦成员数量较多时,该方案能够以很小的精度损失实现梯度数据隐私保护,并获得不低于随机梯度下降方法的经验收敛速度。二、基于本地差分隐私直方图估计的联邦学习方案设计。针对本地差分隐私方法应用于联邦学习中带来大量噪声的问题,本文分析了联邦成员间隐私需求存在差异的特性,根据差分隐私的原理提出了个性化本地差分隐私的定义。然后采用在本地设置隐私参数的方式设计一个满足个性化本地差分隐私定义的直方图估计算法,并在理论上证明其安全性。在联邦成员隐私需求服从正态分布的假设下,本文讨论了个性化隐私设置造成样本分散于各隐私层级的问题,并引用一个数据复用机制在服务器端扩充高隐私水平的样本量以优化数据效用。实验表明,个性化方案带来的隐私松弛降低了隐私噪声对过半票决准确率的影响,并且有效地将基于符号化梯度的联邦学习方案拓宽至联邦成员数量较少的学习场景中。