联邦学习（隐私计算核心技术）

联邦学习（Federated Learning）是一种分布式机器学习技术，其核心思想是通过在多个拥有本地数据的数据源之间进行分布式模型训练，在不需要交换本地个体或样本数据的前提下，仅通过交换模型参数或中间结果的方式，构建基于虚拟融合数据下的全局模型，从而实现数据隐私保护和数据共享计算的平衡，即“数据可用不可见”、“数据不动模型动”的应用新范式。

想要了解更多“联邦学习（隐私计算核心技术）”的信息，请点击：联邦学习（隐私计算核心技术）百科

标签：联邦学习（隐私计算核心技术）,联邦,学习,节点