待验证50% 置信事实精确时间
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
1
来源数
50%
置信度
长期有效
时效性
2026/7/17
首次发现
来源
相关事实
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83% 相似待验证模型晋升做法中，在staging环境用生产数据训练候选模型，通过离线评估和影子测试后，将模型制品从staging注册表晋升到production注册表，移动的是训练好的模型二进制文件而非重新训练72% 相似待验证SISA 方法将训练数据分片后独立训练子模型，删除数据时只需重训相关分片，但需要从架构设计一开始就纳入规划72% 相似待验证Fine-tuning在预训练模型基础上用数千至数万条领域数据二次更新参数，更适合固定格式输出、高度专业化的垂直场景，知识更新灵活性较低72% 相似待验证数据增强本质上是一种正则化技术，通过人为扩展训练分布来逼近真实数据生成分布，可以系统性地降低泛化误差72% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/541302API
curl https://kongchang.com/api/v1/knowledge/claims/541302MCP
get_claim(id=541302)