Unverified50% confidenceTradeoffExact time
合成数据的分布偏差可能引入新的风险，联邦学习在通信效率和模型收敛上仍有挑战
1
Sources
50%
Confidence
Long-term
Relevance
10/8/2026
First Seen
Sources
Related Entities
Related Claims
Unverified联邦学习面临通信效率低、数据异构性导致收敛困难、以及梯度泄露攻击等挑战74% similarUnverified数据规模的增长并不等同于有效学习信号的增长，在模型能力提升到一定阈值后简单堆砌样本的收益会急剧下降73% similarUnverified离线RL的核心挑战是分布偏移，可能导致外推误差，使学到的策略在部署时表现远不如预期72% similarUnverified小模型在分布内高性能的同时存在分布外脆弱性，一旦推理时的工具描述措辞、参数命名或用户查询风格偏离训练集，成功率可能显著下滑71% similarVerified检测模型的训练数据永远落后于最新生成技术的输出分布，学术界称之为「分布偏移」问题70% similar
Cite This Claim
Stable URI
https://kongchang.com/claim/989613API
curl https://kongchang.com/api/v1/knowledge/claims/989613MCP
get_claim(id=989613)