本文提出了一种结合差分隐私与拜占庭鲁棒聚合的联邦学习框架 DP-BR-FedAvg，面向银行、医院等受数据保护法规约束且对抗性较强的跨机构联合建模场景。论文指出，传统的联邦平均（FedAvg）存在两个关键缺陷：一是客户端在通信中交换的参数更新仍可能通过梯度反演或成员推断攻击泄露本地隐私；二是 FedAvg 在部分客户端提交恶意或损坏更新时缺乏防御能力，少量恶意参与方即可悄然使全局模型偏离预期。为此，作者将高斯机制的差分隐私（DP）层与坐标裁剪的修剪均值（coordinate-wise trimmed-mean）鲁棒聚合规则相结合，并在一个模拟欺诈检测/临床风险评分的跨机构分类任务上开展实验。实验设置包括 20 个客户端参与 60 轮通信，其中四分之一为拜占庭恶意节点。结果表明，普通 FedAvg 在少数类上几乎完全失效（F1 分数降至 0.030），而 DP-BR-FedAvg 虽因隐私保护引入额外噪声，仍能达到 0.119 的 F1 分数，同时严格限制了单个客户端贡献的隐私泄漏风险。进一步对比显示，不叠加隐私保护层的纯拜占庭鲁棒聚合器在原始准确率上表现最佳，这揭示了隐私保护与鲁棒性之间并非简单的叠加关系，而是存在相互制约的复杂交互。论文的核心贡献在于定量评估了隐私对鲁棒性的代价，并强调在受监管、多机构、潜在对抗环境下设计联邦系统时，必须预算这种交互影响。研究适用于关注隐私保护、对抗鲁棒性及安全联邦学习的蓝队人员、人工智能安全治理评估者及安全架构师。