弱假设下面向 Byzantine 不健全与差分隐私的联邦优化

联邦学习（FL）使异构客户端能够在不集中原始数据的情况下协同训练共享模型，天然提供一定程度的隐私。然而，梯度和模型更新仍可能泄露敏感信息，而恶意服务器可能发动 Byzantine 攻击等对抗性攻击。这些漏洞凸显了在统一框架内解决差分隐私（DP）与 Byzantine 鲁棒性的必要性。现有方法往往依赖不切实际的假设，如梯度受限、需要辅助服务器端数据集，或未提供收敛保证。我们通过提出 Byz-Clip21-SGD2M 算法，集成鲁棒聚合、双动量及精心设计的裁剪，来克服这些限制。我们在标准 $L$ -smoothness 与 $\sigma$ -sub-Gaussian 梯度噪声假设下，证明了高概率收敛保证，从而放宽主流工作所依赖的条件。我们的分析在无对手情形下恢复了最先进的收敛率，并在 Byzantine 与 DP 设置下改善了实用性保证。在 MNIST 上对 CNN 与 MLP 模型进行实证评估，进一步验证了我们方法的有效性。