摘要

为缓解个性化广告中的隐私泄露和性能问题，本文提出了一种融合联邦学习与差分隐私的框架。该系统结合分布式特征提取、动态隐私预算分配和鲁棒模型聚合，以平衡模型精度、通信开销和隐私保护。多方安全计算和异常检测机制进一步增强了系统对恶意攻击的抵御能力。实验结果表明，该框架在确保隐私的同时实现了推荐准确性和系统效率的双重优化，为隐私保护技术在广告推荐中的应用提供了实用解决方案和理论基础。

主题

密码学与安全（cs.CR）；机器学习（cs.LG）