技术
Federated Learning（联邦学习）
联邦学习是一种分布式机器学习方法，在保护数据隐私的前提下，通过共享模型参数进行协作训练。
详细解释
联邦学习由Google提出，核心思想是数据不动模型动。各参与方在本地训练模型，仅上传梯度或参数，由中心服务器聚合。解决了数据孤岛和隐私问题，应用于医疗、金融等领域。挑战包括通信效率、数据异构性和安全性。
别名与相关写法
federated learning
相关术语
微调共现 1 篇
Small Language Model共现 1 篇
Gradient Inversion共现 1 篇
Vision Transformer共现 1 篇
Regularization共现 1 篇
相关资讯
FedeRage：客户端漂移下的无分布假设联邦学习2026/9/21
FedFIbOS：基于 Fisher 重要性的异构联邦学习最优子建模2026/9/18
Fed-Equilibrium 框架平衡临床联邦学习公平与效率2026/9/14
基于LT码启发的级联梯度反演攻击联邦学习2026/9/10
研究提出量子联邦学习自洽中点聚合方法，提升稳定性2026/9/2
研究：数据量异构的联邦学习在神经影像任务上表现更优2026/10/30
arXiv 提出治理感知联邦学习 GAFL 框架2026/10/30
arXiv 提出客户端感知早退 ViT，用于异构联邦学习2026/10/20