联邦学习
谷歌于2017年提出的分布式机器学习范式，允许模型在用户本地设备上训练而无需将原始数据上传至中央服务器，是一种隐私保护型AI训练方式
核心事实
时间轴 (近 90 天)
该框架使用联邦学习机制，多辆车或多个ECU可以协同训练一个共享模型，而无需交换原始CAN数据
联邦学习存在挑战：模型更新可能通过梯度反演攻击泄露训练数据统计特征，且各车辆数据分布差异大时容易引发non-IID问题导致收敛困难或性能下降
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
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
联邦学习存在数据异质性（non-IID）问题：不同用户的语音习惯、口音、设备环境差异导致各客户端数据分布不一致
联邦学习（federated learning）是一种隐私保护训练技术
联邦学习在医疗、金融、基因组学等对数据隐私高度敏感的行业尤为关键
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
联邦学习允许多家保险公司在不交换原始数据的前提下协同训练欺诈检测模型，只汇总参数变化到中央服务器
苹果将联邦学习应用于键盘预测、Siri改进等功能
还有 6 条时间轴事件
全部知识事实 (19)
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
85%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
85%已验证联邦学习与本地推理等隐私保护技术允许模型在用户设备侧完成数据处理，避免原始个人数据上传至云端
75%待验证差分隐私通过向训练数据或模型输出添加数学校准的随机噪声，使攻击者无法从输出反推出任何单个用户的数据
60%待验证Google已将联邦学习（Federated Learning）技术用于Gboard键盘预测
60%待验证联邦学习由Google于2016年提出，最初用于解决移动设备上的模型训练隐私问题
60%待验证联邦学习存在挑战：模型更新可能通过梯度反演攻击泄露训练数据统计特征，且各车辆数据分布差异大时容易引发non-IID问题导致收敛困难或性能下降
50%待验证该框架使用联邦学习机制，多辆车或多个ECU可以协同训练一个共享模型，而无需交换原始CAN数据
50%待验证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
50%待验证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
50%待验证联邦学习存在数据异质性（non-IID）问题：不同用户的语音习惯、口音、设备环境差异导致各客户端数据分布不一致
50%待验证联邦学习（federated learning）是一种隐私保护训练技术
50%待验证联邦学习在医疗、金融、基因组学等对数据隐私高度敏感的行业尤为关键
50%待验证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
50%待验证联邦学习允许多家保险公司在不交换原始数据的前提下协同训练欺诈检测模型，只汇总参数变化到中央服务器
50%待验证苹果将联邦学习应用于键盘预测、Siri改进等功能
50%待验证谷歌最早将联邦学习应用于Android键盘的下一词预测，苹果将其用于Siri的个性化改进
50%待验证联邦学习通过仅上传加密的模型梯度更新而非原始数据来缓解隐私担忧，但面临通信开销大、设备算力异构、数据非独立同分布等挑战
50%待验证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
50%