隐私增益1.359倍
通过动态分配隐私预算，在多重异质环境下同时兼顾隐私保护和模型效用，解决了现有联邦强化学习无法同时应对多源异质性与隐私需求的难题。
Chenying, Jin · 冯翔 · 虞慧群
IEEE Transactions on Neural Networks and Learning Systems 2025
隐私攻击模拟显示，DPA-FedRL 提供的保护强度是基线方法的 1.359 倍以上。
在多样数据集上的大量实验表明，DPA-FedRL 在高度异质环境中超越最先进方法。
所提方法在收敛性、隐私性和敏感度方面均有严格保证。