本文提出了一种联邦哈希投影潜在因子学习模型（FHPLF），旨在解决传统哈希学习（HL）需要集中存储用户数据引发的隐私问题，以及联邦学习（FL）中传输实值梯度导致的高通信开销和隐私风险。FHPLF 通过三个关键创新实现隐私保护与性能平衡：1）用二值梯度类矩阵替代实值梯度矩阵，显著降低计算、存储和通信成本，同时增强隐私保护；2）采用投影汉明距离进行相似度建模，捕捉每个二进制位的权重，提升二进制编码的表示能力；3）提出安全二值梯度重组与隐私增强上传策略（SBG-PEU），进一步降低传输过程中用户交互泄漏的风险。在四个真实数据集上的实验表明，FHPLF 在准确率、效率和隐私保护之间取得了优于现有哈希学习和联邦学习方法的平衡。