论文引用：[1]杨程,李晓会,兰洁,等.精度驱动的自适应联邦剪枝与差分隐私方法[J/OL].计算机应用研究,1-7[2026-08-02].https://doi.org/10.19734/j.issn.1001-3695.2026.01.0054.
1.研究目的
针对联邦学习中模型更新传输量较大导致通信开销较高，以及差分隐私噪声注入引起模型精度下降与收敛波动的问题，提出一种精度驱动的自适应联邦剪枝与差分隐私方法（AAFDP）。
当前核心问题：1.数据通常分散存储于不同机构或终端，受隐私合规与数据安全要求约束，难以直接集中共享导致保护隐私而引入的差分隐私噪声会损害模型的收敛速度、稳定性和最终精度。2.深度模型参数庞大，训练过程中客户端与服务器之间的频繁交互会产生巨大的通信成本。
当前方法的不足：多数方法对剪枝率、裁剪阈值或噪声 参数的设置仍依赖静态规则或阶段性预设，缺乏依据训练状 态进行动态协同调节的机制。
静态/预设参数: 剪枝率、噪声强度等关键超参数往往依赖静态规则或阶段性预设，缺乏根据训练动态进行灵活调整的能力。
缺乏协同自适应: 很少有方法能将剪枝和差分隐私机制纳入一个统一的、由训练状态驱动的自适应调节框架中。
故作者提出采用“先剪枝、后加噪”的分阶段处理策略，在训练前期通过幅度剪枝形成稀疏更新，在模型进入相对稳定阶段后再对剪枝后的更新注入高斯噪声，从而提高方法对不同训练阶段的适应能力。
2.核心设计
方法具有以下特点：将模型性能反馈显式引入剪枝率与噪声系数的调 节过程，使压缩强度与隐私扰动能够随训练状态动态变化；采用服务器端统一处理方式，不改变客户端标准本地训练与 上传流程；通过分阶段机制减轻训练早期稀疏化与噪声叠加对模型收敛稳定性的影响。
AAFDP方法的核心理念是“精度反馈驱动”和“先剪枝后加噪”。所有关键操作都在服务器端完成，不增加客户端的计算负担。
性能反馈信号构建:
使用滑动平均准确率而非单轮准确率作为反馈信号，以平滑训练过程中的随机波动，提供更稳定的性能指示。
分阶段处理策略:
热身阶段: 训练初期，不进行剪枝和加噪，让模型先达到初步收敛，避免早期扰动破坏训练。
剪枝阶段: 启动自适应剪枝。服务器对聚合更新进行幅度剪枝，即保留绝对值大的更新分量，剪除小的，形成稀疏更新以减少通信量。全局剪枝掩码会持续更新，综合历史剪枝决策。
差分隐私阶段: 剪枝掩码
M被冻结，稀疏通信结构固定。在此之上，对剪枝后的更新注入高斯噪声，以满足差分隐私要求。这避免了结构持续变化与噪声叠加造成的训练震荡。
精度反馈驱动的协同自适应调节:
这是本文最核心的创新点。剪枝率（
ρ）和噪声系数（σ）的调整，都共同依赖于同一个信号：相邻两轮滑动平均准确率的变化。调节规则:
如果性能稳定或提升：适度增大
ρ（加强压缩）和σ（加强隐私保护）。如果性能下降：适度减小
ρ（减少信息丢失）和σ（降低噪声干扰）。
3. 实验结论
3.1 对比实验
模型性能方面：AAFDP的测试精度和损失值在所有带隐私保护的方法中表现最优或最佳。虽然其精度略低于不提供隐私保护的FedAvg，但差距很小。
通信效率方面： AAFDP的累计通信量显著低于所有稠密传输方法，在MNIST上降低约36%，在CIFAR-10上降低约33%。这证明了自适应剪枝的有效性。
3.2 消融实验
1.仅用剪枝能大幅降低通信量，但会损害模型精度。
2.仅用自适应噪声能稳定精度，但对通信无优化。
3.完整方法AAFDP结合了两者的优势，在精度损失最小的前提下，实现了最大的通信压缩。
