已验证65% 置信事实精确时间
联邦学习是谷歌于2017年提出的一种分布式机器学习范式，允许模型在本地设备上训练而无需将原始数据上传至中央服务器
3
来源数
65%
置信度
长期有效
时效性
2026/7/12
首次发现
来源
如何阻止Meta AI使用你的Instagram照片训练模型
rss2026/7/9
相关事实
待验证联邦学习由Google于2016年提出，最初用于解决移动设备上的模型训练隐私问题81% 相似已验证联邦学习由Google于2016年提出，让数据留在本地、仅上传模型梯度79% 相似待验证Google已将联邦学习（Federated Learning）技术用于Gboard键盘预测74% 相似待验证Google的Locomotion团队在2020年展示了通过模拟训练的四足机器人策略可以零样本迁移到真实硬件，其关键创新在于使用'特权学习'（privileged learning）框架69% 相似待验证Google的机器学习工程师总结出经验：机器学习系统中真正的机器学习代码往往只占5%，剩余95%是数据管道、服务封装和监控系统69% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/494691API
curl https://kongchang.com/api/v1/knowledge/claims/494691MCP
get_claim(id=494691)