待验证50% 置信事实精确时间
联邦学习的基本流程是中央服务器下发全局模型，各本地节点用本地数据训练后仅上传梯度或模型权重差值，服务器通过FedAvg等算法聚合更新后再下发新全局模型
1
来源数
50%
置信度
长期有效
时效性
2026/10/9
首次发现
来源
涉及实体
相关事实
待验证FedAvg（联邦平均）算法中，服务器将全局模型下发给各客户端，各方在本地完成若干轮梯度更新后上传模型权重或梯度，服务器按样本量加权平均生成新的全局模型71% 相似待验证在联邦学习框架中，各参与方的模型梯度可通过加性秘密共享进行聚合，使协调服务器仅能获取加总后梯度而无法推断单一参与方原始数据69% 相似待验证训练大模型需要理解NCCL（NVIDIA集合通信库）的AllReduce通信原语，本质是分布式系统中的进程同步问题69% 相似已验证微调是在通用预训练模型基础上用特定领域数据进行二次训练，使模型能将领域知识内化为参数，推理时无需额外检索步骤，延迟更低67% 相似已验证LIME通过在目标样本周围构造扰动数据集，训练局部可解释的线性模型来近似复杂模型的局部行为66% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/990553API
curl https://kongchang.com/api/v1/knowledge/claims/990553MCP
get_claim(id=990553)