待验证50% 置信概念精确时间

半监督联邦学习（SSFL）利用服务端上的少量带标注种子数据训练初始模型，再借助教师模型为客户端海量未标注数据生成伪标签，从而在不上传原始语音的前提下优化模型

1

来源数

50%

置信度

长期有效

时效性

2026/9/24

首次发现

来源

半监督联邦语音识别实用方案：在线伪标签与服务端更新稳定化

涉及实体

半监督联邦学习concept 自动语音识别concept

相关事实

待验证SSOD的典型方法是教师-学生框架，教师模型对无标签数据生成伪框，学生模型在有标签数据和高置信度伪标签上学习，并通过EMA更新教师75% 相似待验证离线蒸馏中训练数据由教师模型一次性生成并固定，学生模型在静态数据集上学习70% 相似待验证采用大规模预训练模型（如Whisper、HuBERT）作为基础在特定任务上微调，可将小数据集重新定义为少样本微调场景69% 相似待验证少样本学习通过在Prompt中提供2-5个示例帮助模型快速理解输出格式和风格要求69% 相似待验证监督微调（SFT）使用'提示-回答'示例对模型进行训练，让模型学会以对话形式响应，从而使输出更连贯68% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/948095

API

curl https://kongchang.com/api/v1/knowledge/claims/948095

MCP

get_claim(id=948095)