图像联邦学习差分隐私保护：存在问题与挑战

性能问题：基于差分隐私的图像联邦学习需要在本地设备上进行数据加噪处理，导致计算量增大，运行时间延长，影响系统性能。

数据扩散问题：随着参与者数量的增加，数据扩散会导致隐私风险增加，可能导致敏感信息泄露。

联邦学习攻击问题：基于差分隐私的图像联邦学习系统容易受到恶意攻击，例如投毒攻击、模型逆推等，从而导致隐私泄露。

数据质量问题：基于差分隐私的图像联邦学习系统需要在本地设备上进行数据加噪处理，可能会导致数据质量下降，影响模型的训练效果。

隐私保护与模型准确度之间的权衡问题：为了保护隐私，需要对数据进行加噪处理，但这可能会降低模型的准确度。因此，需要在隐私保护与模型准确度之间进行权衡。