本文提出并部署了名为 Private Computation Space (PCS) 的开源机器学习系统，用于在保护农户数据隐私的同时实现农业领域的联邦学习。研究背景指出，尽管人工智能有潜力改善农业实践，但采用率有限，69%的美国农民因数据隐私担忧而不愿分享数据。农业场景的特殊挑战包括：需要保护农民数据和身份同时保持模型效用、运行在通用硬件上，并且能适应农村脆弱的网络基础设施。PCS 系统针对这些挑战设计，采用多集群编排以在偏远地区提供可靠性，结合异步联邦学习（FL）、差分隐私（DP）和可信执行环境（TEE），使农场可以在不泄露私有数据的前提下参与模型训练。作者在两个实际负载上进行了评估：一个是在纽约州使用活体植物传感器监测氮含量，运行6个月；另一个是在加利福尼亚州利用气象站预测蒸散量，运行10个月。评估结果显示，两个任务的 Dice 相似系数（DSC）达到0.71，R²精度为0.84，相对于最差的单站点模型，精度分别提高了22.4%和9.1%，同时保持了隐私保护。该工作展示了多集群联邦学习联合隐私增强技术在农业领域的实用性，为数据敏感型行业提供了可借鉴的架构参考。