待验证50% 置信事实精确时间
联邦学习无需集中原始数据，就能从分散在各客户端的数据中训练出一个共享的全局模型
1
来源数
50%
置信度
长期有效
时效性
2026/10/12
首次发现
来源
涉及实体
相关事实
待验证在联邦学习框架中，各参与方的模型梯度可通过加性秘密共享进行聚合，使协调服务器仅能获取加总后梯度而无法推断单一参与方原始数据79% 相似待验证联邦学习的基本流程是中央服务器下发全局模型，各本地节点用本地数据训练后仅上传梯度或模型权重差值，服务器通过FedAvg等算法聚合更新后再下发新全局模型74% 相似待验证域泛化要求模型在完全未见过目标域数据的情况下实现泛化，常用方法包括元学习、基于因果推理的不变特征学习、多源域数据增强69% 相似已验证离线蒸馏中训练数据由教师模型一次性生成并固定，学生模型在静态数据集上学习69% 相似待验证引导式生成模型无需人为假设参数分布，能直接从数据中学习真实的尾部形态67% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1001322API
curl https://kongchang.com/api/v1/knowledge/claims/1001322MCP
get_claim(id=1001322)