待验证50% 置信事实精确时间
联邦学习允许模型在本地设备训练而无需上传原始数据，差分隐私在统计查询中加入数学噪声以保护个体信息
1
来源数
50%
置信度
长期有效
时效性
2026/7/10
首次发现
来源
超越语音指令：机器人多模态交互的未来进化路径
redditr/robotics2026/7/8
相关事实
待验证差分隐私（Differential Privacy）与联邦学习（Federated Learning）可在不直接暴露原始数据的前提下完成模型训练与个性化更新80% 相似已验证联邦学习（Federated Learning）允许多个部门在不共享原始数据的条件下联合训练模型，各部门数据留存本地仅交换模型梯度71% 相似待验证联邦学习让模型在数据本地完成训练更新，只上传梯度而非原始数据70% 相似待验证半监督学习介于监督学习和无监督学习之间，利用少量标注数据和大量无标注数据进行训练70% 相似待验证大模型的预训练数据有明确的截止时间，模型内部不包含企业私有数据，直接询问企业私有信息时会产生幻觉67% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/454709API
curl https://kongchang.com/api/v1/knowledge/claims/454709MCP
get_claim(id=454709)