Unverified50% confidenceSolutionExact time
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
Sources
50%
Confidence
Long-term
Relevance
7/20/2026
First Seen
Sources
Related Claims
Unverified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% similarVerified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% similarUnverified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% similarUnverified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% similarUnverified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% similar
Cite This Claim
Stable URI
https://kongchang.com/claim/566715API
curl https://kongchang.com/api/v1/knowledge/claims/566715MCP
get_claim(id=566715)