PCA加本地差分隐私的农业数据共享框架，在真实数据集上以约5.33%平均精度损失换取隐私保护
该工作提出一个面向数字农业的隐私保护数据共享与协作框架，将主成分分析（PCA）降维与基于拉普拉斯噪声的本地差分隐私（ε-LDP）结合，在沙箱环境中聚合农民数据并用K-Means聚类和最近邻算法推荐潜在合作者，使研究者可在联邦学习或聚合隐私数据上训练个性化模型；在Wisconsin Farmer's Market与Crop Recommendation两个真实数据集上验证，模型精度与集中式原始数据训练相比平均损失约5.33%，并通过power分析评估对成员推断等攻击的鲁棒性。