摘要 - 随着机器学习的更广泛采用以及对数据隐私的越来越关注，联邦学习（FL）受到了极大的关注。FL计划通常使一组参与者（即数据所有者）使用其本地数据单独训练机器学习模型，然后将其通过中央服务器的协调来汇总以构建全局FL模型。对标准FL的改进包括（i）通过利用梯度稀疏和（ii）通过采用隐私性汇总（PPAGG）协议来增强聚合的安全性，从而减少梯度传输的通信开销。但是，由于用户稀疏梯度向量的异质性，最新的PPAGG协议并不能轻易与梯度稀疏相互互操作。为了解决此问题，我们提出了一种动态用户聚类（DUC）方法，并采用一组支持协议，根据PPAGG协议和梯度稀疏技术的性质将用户分配到集群中，提供安全性的质量和通信效率。实验结果表明，与基准相比，DUC-FL显着降低了通信开销，并实现了相似的模型精度。所提出的协议的简单性使其对实施和进一步的改进都具有吸引力。