El aprendizaje por transferencia, como enfoque de aprendizaje automático que mejora la generalización del modelo a través de diferentes dominios, tiene amplias aplicaciones en varios campos. Sin embargo, el riesgo de fuga de privacidad sigue siendo una consideración crucial durante el proceso de aprendizaje por transferencia. La privacidad diferencial, con su sólido fundamento matemático, ha demostrado ofrecer una protección de privacidad consistente y robusta. Este estudio profundiza en el problema de aprendizaje por transferencia de regresión logística respaldado por la privacidad diferencial. En casos en los que se conocen las fuentes transferibles, proponemos un algoritmo de aprendizaje por transferencia de dos pasos. Para escenarios con fuentes transferibles desconocidas, se introduce un método de detección de fuentes transferibles basado en validación cruzada no algorítmica, para mitigar los efectos adversos de fuentes no informativas. La efectividad del algoritmo propuesto se valida a través de simulaciones y experimentos con datos del mundo real.