待验证50% 置信解决方案精确时间
联邦学习允许多家医疗机构在不共享原始数据的前提下协同训练模型，既保护患者隐私也分摊算力需求
1
来源数
50%
置信度
长期有效
时效性
2026/9/12
首次发现
来源
涉及实体
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79% 相似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75% 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75% 相似待验证安全多方计算允许多个参与方在不暴露各自输入的前提下联合完成计算，适用于多家机构协作训练模型66% 相似待验证差分隐私通过在训练数据中注入校准噪声，确保模型无法记忆单个用户的代码片段66% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/913959API
curl https://kongchang.com/api/v1/knowledge/claims/913959MCP
get_claim(id=913959)