Multi-stage Asynchronous Federated Learning with Adaptive Differential Privacy（作者：Yanan Li, Shusen Yang*, Xuebin Ren, Liang Shi and Cong Zhao）。该工作提出了一种多阶段差分隐私保护的异步联邦学习架构MAPA，该架构能根据学习过程动态地调整梯度裁剪与噪声方差大小，以降低引入的噪声对联邦学习模型效用的影响。进一步，考虑中心服务器是否可信，提出了样本级隐私保护算法MAPA-S和用户级隐私保护算法MAPA-C。在大量的标准联邦数据集上与6种先进的算法进行了比较，结果表明MAPA能够在不改变隐私保护程度前提下显著提升模型的效用，为异步联邦学习的行业应用提供了可行方法。

图1 问题及方法概述图