В условиях растущего объема чувствительных данных и ужесточения требований к их защите традиционные централизованные методы машинного обучения становятся неприемлемыми из-за рисков утечек и нарушения конфиденциальности. Особенно остро эта проблема стоит в таких сферах, как здравоохранение и финансы, где передача персональных данных на центральный сервер недопустима. Одним из перспективных решений является федеративное обучение, позволяющее обучать глобальные модели без передачи исходных данных, однако сохранение баланса между точностью модели и уровнем приватности остается ключевым вызовом. Для решения задачи предложен подход, сочетающий алгоритм агрегации FedAvg с механизмами дифференциальной приватности, включая обрезку градиентов и добавление гауссовского шума на стороне клиентов. При оптимальных настройках (σ=0,5; ε≈3) достигнута точность 97,80%, что лишь на 1% уступает централизованному обучению (98,79%). Безопасная агрегация с 10 клиентами за пять раундов показала точность 93,21%. Предложенная методика обеспечивает прозрачную и воспроизводимую оценку компромисса «точность – приватность», что делает ее применимой для внедрения в реальные системы с чувствительными данными.