近日，研究人員提出一種名為聯邦雜湊投影潛在因子（FHPLF）的新模型，旨在解決傳統雜湊學習與聯邦學習結合時面臨的表示能力不足與隱私風險問題。該工作發表於arXiv預印本，論文編號為2606.26192，提交日期為2026年6月24日。
雜湊學習（HL）作為一種高效的表示學習方法，能夠將實值資料對映為緊湊的二進位制表示，廣泛應用於大規模資訊檢索和機器學習任務中。然而，傳統雜湊學習方法通常要求使用者將個人資料上傳至中央伺服器進行訓練，這與日益嚴格的資料安全法規（如GDPR）相悖，導致隱私洩露風險。聯邦學習（FL）作為去中心化的學習正規化，允許在不集中私有資料的情況下訓練全域性最優模型，有效緩解了隱私問題。但現有聯邦學習方法大多依賴傳輸大規模實值梯度資訊，帶來高通訊開銷和潛在的隱私隱患。將雜湊學習與聯邦學習融合是一個富有前景的方向，但現有雜湊學習方法受限於二進位制碼的表示容量，其有限的資訊表達能力可能降低模型的精度。
為應對上述挑戰，研究者提出了FHPLF模型，該模型引入了三項關鍵創新：首先，用二進位制類梯度矩陣替代實值梯度矩陣，大幅降低了計算、儲存和通訊成本，同時增強了隱私保護；其次，利用投影漢明距離進行相似性建模，透過捕捉各個二進位制位的權重，提升了表示能力；最後，提出安全二進位制梯度重組與隱私增強上傳（SBG-PEU）策略，進一步減少了使用者互動資訊在傳輸過程中的洩露風險。
在四個真實世界資料集上的廣泛實驗表明，FHPLF在精度、效率和隱私保護之間取得了良好的平衡，且一致優於當前最先進的雜湊學習和聯邦學習方法。該模型不僅驗證了聯邦學習框架下兼顧隱私與效能的可行性，也為未來面向隱私保護的機器學習研究提供了新的思路。