待验证50% 置信解决方案精确时间

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

1

来源数

50%

置信度

长期有效

时效性

2026/7/20

首次发现

来源

DeepTutor开源AI导师：终身个性化辅导系统深度解析

相关事实

待验证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68% 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67% 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65% 相似待验证训练日志、数据清单（data cards）和数据来源记录（data provenance）是可以独立保存的工程实践，与模型权重本身无关64% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/566715

API

curl https://kongchang.com/api/v1/knowledge/claims/566715

MCP

get_claim(id=566715)