赋能数字农业：面向数据共享与协作研究的隐私保护框架

数据驱动农业将技术与数据融入农业实践，有望提高作物产量、增强抗病能力并改善长期土壤健康。然而，隐私担忧（如不利定价、歧视和资源操纵）阻碍了农民共享数据，因为这些数据可能被用来对付他们。为了解决这一障碍，我们提出了一个隐私保护框架，该框架支持安全的数据共享和研发协作，同时降低隐私风险。该框架结合了降维技术（如主成分分析（PCA））和差分隐私，通过引入拉普拉斯噪声来保护敏感信息。该框架允许研究人员为目标农民识别潜在合作者，并通过联邦学习在已识别合作者的数据上训练个性化机器学习模型，或直接在聚合的隐私保护数据上进行训练。它还允许农民根据相似性识别潜在合作者。我们在真实数据集上对此进行了验证，证明了对对抗性攻击的强大隐私保护，以及与集中式系统相当的效用性能。我们展示了该框架如何促进农民之间的协作并帮助研究人员追求更广泛的研究目标。该框架的采用可以使研究人员和政策制定者负责任地利用农业数据，为数据驱动农业的变革性进步铺平道路。通过解决关键的隐私挑战，这项工作支持安全的数据整合，促进农业系统的创新和可持续性。