隐梯度无显式更新
面向智能制造中梯度难以实时获取的隐私保护在线联邦学习算法，通过差分隐私与梯度自由估计，在时变有向图上实现稳定收敛。
Luyao, Jiang · Ming, Xingguo · 冷杰武 · Jiahao, Xu · Sha, Weinan · 张先燏
Advanced Engineering Informatics 2026
训练过程中工厂之间只传输模型更新，原始生产数据不离开本地，从架构上降低数据泄露风险。
采用梯度自由估计，适用于梯度难以获取或成本过高的工业实时场景，部署门槛更低。
理论证明满足 (ϵ,ϱ)-差分隐私，为每个工厂的数据贡献提供可量化的隐私保护。
在 MNIST、FashionMNIST 和 Metal Surface Defects 三个数据集上，与集中式、半分散式和分散式基线相比取得竞争性性能。