近些年来,数据隐私泄露事件频发,隐私泄露造成的危害越来越大,数据隐私保护变得尤为重要。联邦学习可以在保护数据隐私的同时,挖掘数据价值。然而,标签噪声数据严重影响联邦学习模型效果,阻碍联邦学习的应用。目前联邦学习场景下的标签噪声调试研究主要是通过选择数据质量高的联邦节点或者标签正确的样本数据,来减少标签噪声对联邦模型的影响。但是,上述方法难以兼顾过滤数据集的纯度和丰度。节点选择方法没有真正识别噪声数据,调试粒度相对粗糙;样本挑选方法丢失了部分数据特征,同样影响模型性能。此外,上述方法都需要额外的纯净数据集辅助完成调试。针对上述问题,本文提出了隐私保护标签噪声调试体系结构,研究了隐私保护场景下的标签噪声调试技术。该体系结构主要包含两个模块,涉及两项标签噪声调试技术,分别是联邦标签噪声过滤和联邦数据增强。联邦标签噪声过滤使用识别并过滤联邦节点中的标签噪声数据,减少标签噪声对联邦学习模型的影响;联邦数据增强训练联邦生成模型,生成高质量合成数据,对过滤数据集进行增强,提升模型效果。本文基于异常点检测的思想,提出了基于图结构的联邦标签噪声过滤方法。该方法利用神经网络模型提取数据的特征表示,将正常数据和噪声数据进行区分。然后基于特征表示构建局部KNN图,在图上执行两步过滤。同时结合多轮次学习的思想,迭代地进行网络训练和噪声过滤两个阶段,得到更纯净的数据集。相比其他方法,本文方法不仅在多个场景下取得了较好的机器学习模型性能,而且有效地平衡了过滤数据集的丰度和纯度。由于噪声过滤导致部分数据或特征丢失,本文提出了基于联邦生成模型的数据增强技术。本文设计了联邦变分贝叶斯混合模型提取全局分布,并基于该分布对数据进行编码,解决了分布式结构化数据中存在的连续列多模式问题。另外,该方法还添加了分类器和分类损失,使联邦生成模型学习到结构化数据的列关联性。实验结果表明本文的联邦生成模型生成的数据和原始数据具有统计相似性,并且在下游机器学习任务上表现良好。最后,通过数据增强实验验证了本文提出的体系结构相比单独使用上述两项技术具有更好的效果。