FEDERATED LEARNING · PRIVACY COMPUTING
联邦学习与隐私计算可视化实验室
通过 8 个交互式 SVG 可视化模块，直观拆解联邦学习架构、FedAvg 聚合、差分隐私、同态加密、安全多方计算、模型投毒防御、隐私预算会计与纵向联邦学习的核心机制。纯前端、零依赖、单文件交付。
01FEDERATED ARCHITECTURE
联邦学习架构
多个客户端在本地数据上训练模型，将模型更新上传至中心服务器；服务器执行 FedAvg 聚合得到全局模型，再下发回客户端。循环往复构成 round-robin 通信周期。
客户端 — 服务器通信周期
02AGGREGATION
FedAvg 聚合
按客户端数据量加权平均聚合模型参数。各客户端模型因数据异构而产生漂移，聚合后向全局最优收敛。对比 FedAvg、FedProx、SCAFFOLD 三种聚合策略对漂移的抑制效果。
权重空间聚合与收敛
03DIFFERENTIAL PRIVACY
差分隐私 (DP-SGD)
DP-SGD 通过梯度裁剪限制单个样本影响，再注入高斯噪声实现 (ε, δ)-DP。观察裁剪圆、噪声云与隐私预算 ε 随训练步数的消耗过程。
梯度裁剪 · 噪声注入 · 预算消耗
04HOMOMORPHIC ENCRYPTION
同态加密
在密文上直接计算，解密后得到与明文计算一致的结果。可视化加密—密文计算—解密的完整流水线，对比 CKKS（近似）与 BFV（精确）方案的多项式环表示。
加密 · 密文计算 · 解密流水线
05SECURE MULTI-PARTY
安全多方计算
多方在不泄露各自输入的前提下共同计算一个函数。基于 Shamir 秘密共享：秘密拆分为 n 份分发给各方，任意 t 份可重构，少于 t 份无法获得任何信息。
秘密共享 · 门限重构
06POISONING DEFENSE
模型投毒防御
恶意客户端提交异常更新以破坏全局模型。鲁棒聚合方法（截断均值、中位数、Krum）通过滤除离群更新进行防御。观察检测率与有/无防御下的精度对比。
异常更新检测与鲁棒聚合
07PRIVACY BUDGET
隐私预算
基于 Rényi 差分隐私 (RDP) 会计跟踪 ε 随训练步数的增长。子采样高斯机制下 ε 近似按 √steps 增长，噪声乘子与采样率共同决定预算消耗速率。
RDP 会计 · 预算组合曲线
08VERTICAL FEDERATED
纵向联邦学习
多方持有相同样本的不同特征。通过隐私集合求交 (PSI) 安全对齐样本 ID，再以拆分学习：各方底层模型计算嵌入，主动方顶层模型聚合计算损失。
PSI 对齐 · 拆分学习 · 安全损失