在一座名叫“智味镇”的小镇上，镇长想绘制一张全镇的“集体味道地图”——既不收集任何家庭的神秘配方，又能综合出大家最爱吃什么。他提出两种方案。第一种叫“百家宴”：镇上几十万户人家，每家只出一小碟菜，随机抽中的邻居带着自家最新研究的小菜奔赴中央大厨房汇总；第二种叫“主厨联盟”：只邀请三五家顶级餐厅——比如“仁心医院菜系”“金库银行菜系”——每家搬来一整本厚菜谱，通过专用专线实时与中央厨房切磋。第一种，就是跨设备（Cross-Device）联邦学习；第二种，就是跨机构（Cross-Silo）联邦学习。同样的学习目标，因为参与方数量、数据体量、网络与算力资源的天壤之别，会走上完全不同的技术路线。理解这两种系统形态的差异，是设计可靠隐私保护学习系统的第一课。

岗位关联

对 AI 从业者而言，区分跨设备与跨机构决定了你选算法、配资源、定安全策略的整套思路，是落地联邦学习系统时的核心判断力。

目录
  1. 可视化演示
  2. 概念与特征：百家宴与主厨联盟
  3. 系统架构对比：群发短信与专线会议
  4. 资源与约束：小厨房与大后厨
  5. 训练流程差异：抽签轮值与全员例会
  6. 隐私与安全：街边小摊与后厨合约
  7. 典型应用案例：从输入法到肿瘤科
  8. AI 应用场景
  9. Python 演示
  10. 常见误区
  11. 面试题

可视化演示

展示Cross-Device与Cross-Silo在参与规模、通信架构和安全假设的系统差异，支持三模式交互切换。

本节配有交互动效（进入视口后自动加载，约 3KB）。

参与方规模与稳定性对比 跨设备：10⁴~10⁸终端设备参与，客户端流失率高 跨机构：2~10机构参与，稳定性高长期协作 设备不稳定导致训练轮次中断风险 N_cd≫N_cs 跨设备规模远大于跨机构但稳定性显著更低。

概念与特征：百家宴与主厨联盟

想象百家宴的场面：每个家庭端出一小碟菜，几十万碟汇聚成全镇味觉；而主厨联盟只有三五位主厨，每人搬出几百道菜的完整菜谱。同样是“摸清全镇口味”，参与者的数量与份量却天差地别。这正是联邦学习中两种系统形态的起点。

在联邦学习里，跨设备（Cross-Device）场景指的正是这场百家宴：海量客户端——智能手机、可穿戴设备、物联网终端，数量从万级到亿级，但每个设备上往往只有几十到几百条本地样本。跨机构（Cross-Silo）则是主厨联盟：医院、银行、大型企业这类机构，数量通常只有 2 到几十家，每一方都握着海量、规整的数据集。

两种形态的数据总量都可以写成各参与方数据量之和，但“拆开看”的结构完全不同。跨设备是 K 巨大而每个 n_k 微小，跨机构是 K 很小而每个 n_k 庞大。此外，跨设备客户端归普通用户所有，随时可能离线、关机、换网络；跨机构的数据中心则像酒店后厨一样 7×24 小时运转。

所以，学习联邦学习的第一步，是看清自己站在“百万小碟”还是“几本厚菜谱”面前。选错了比喻，后面所有参数、协议、安全策略都会跟着跑偏。

n=∑k=1Knk\displaystyle n = \sum_{k=1}^{K} n_k
全局数据总量等于所有参与方本地数据量之和——但同样的总量，拆成“百万小碟”还是“几本厚菜谱”，决定了后续一切设计。
  1. 全局数据总量 $n$整个系统能用于训练的总样本数，相当于百家宴上所有小菜的总碟数。
    n\displaystyle n
  2. 参与方编号 $k$遍历每一个参与方，无论是家庭还是机构。
    k\displaystyle k
  3. 单方数据量 $n_k$第 k 个参与方本地持有的样本数，如同一户人家端出的一碟菜。
    nk\displaystyle n_k
  4. 求和符号 $\displaystyle\sum_{k=1}^{K}$把从第 1 个到第 K 个参与方的数据量全部累加起来。
    ∑k=1K\displaystyle \sum_{k=1}^{K}

系统架构对比：群发短信与专线会议

组织百家宴，镇长只能靠群发消息挨个通知，发出的 1000 条短信里，深夜只有 300 户回复；组织主厨联盟开菜单评审会，专线视频一开，三家餐厅主厨全员到齐、画面清晰。这一静一动的沟通场景，恰好对应两种联邦系统的网络架构。

跨设备系统普遍采用星型拓扑：中央服务器是“总调度台”，客户端藏在家庭路由器（NAT）之后，彼此无法直接联系，只能由服务器发起一轮轮通信。跨机构系统虽然也常是星型，但每个机构都坐在自己的数据中心里，网络质量高、链路稳定，甚至能支撑点对点的多方安全计算协议。

衡量这种差异最直观的指标是“在线率”：第 t 轮通信时，真正能参与训练的客户端占比。跨设备的在线率像天气一样波动——深夜骤降、地铁隧道里归零；跨机构的在线率则常年贴着 1 运行，因为机构服务器没有“睡觉”这个概念。

架构差异直接塑造了协议风格：跨设备方案必须把“容积错”摆在第一位——掉线的客户端就跳过，迟到的结果就丢弃，靠轮次弥补；而跨机构方案可以把精力放在更重的计算协议上，因为“人都在，线不断”。

pt=∣Ut∣∣U∣\displaystyle p_t = \frac{|U_t|}{|U|}
在线率 p_t 是第 t 轮可用客户端数量与总客户端数量之比：跨设备忽高忽低，跨机构接近满格。
  1. 客户端全集 $U$所有可能参与训练的客户端集合，对应全镇记名的家庭花名册。
    U\displaystyle U
  2. 在线集合 $U_t$第 t 轮通信时真正在线、可被调度的客户端集合。
    Ut\displaystyle U_t
  3. 数量符号 $|\cdot|$集合的大小，即元素个数，把“集合”翻译成“人数”。
    ∣Ut∣, ∣U∣\displaystyle |U_t|,\ |U|
  4. 在线率 $p_t$两者相除得到的比例，取值范围 0 到 1，是系统设计的重要依据。
    pt=∣Ut∣∣U∣\displaystyle p_t = \frac{|U_t|}{|U|}

资源与约束：小厨房与大后厨

百家宴的家庭厨房只有一口小锅、一点燃气，还要省着电用；主厨联盟的餐厅后厨则锅碗瓢盆齐全，灶台火力全开还有多名帮厨。资源禀赋的悬殊，决定了两种联邦系统能“端出”什么样的训练方案。

手机、手表这类跨设备客户端，电池、CPU、内存全部受限，跑一个大模型可能直接把手机变成暖手宝；通信走 WiFi 或蜂窝网络，带宽和电量都是真金白银。跨机构的参与方则坐拥 GPU 服务器与专用光纤，能承受同态加密、秘密分享这类高开销计算的冲击——这是家庭小厨房想都不敢想的。

正因如此，跨设备联邦几乎从不奢求所有客户端同时参与，而是按一个采样率 C 抽取本轮“幸运家庭”。参与方总数 K 乘以采样率 C，再保证至少有一个客户端，就得到每轮参与数 m_t。设备掉线是常态而非意外，没赶上的家庭就等下一轮，全局训练绝不阻塞等待。

资源约束就这样塑造了两种截然不同的气质：跨设备是“轻量、容错、大量轮次”的马拉松，跨机构是“重量、稳定、少量轮次”的短跑冲刺。

mt=max⁡(C×K, 1)\displaystyle m_t = \max(C \times K,\ 1)
每轮实际调度的客户端数 = 采样率与总客户端数的乘积，且至少为 1，避免“一个都不请”的尴尬。
  1. 采样率 $C$每轮希望参与训练的比例，如 0.1 表示只邀请一成家庭。
    C\displaystyle C
  2. 总参与方 $K$全部客户端数量，对应全镇登记的家庭总数。
    K\displaystyle K
  3. 乘积 $C \times K$理论上的采样人数，是“抽签”的期望规模。
    C×K\displaystyle C \times K
  4. 取最大值 $\max(\cdot,\ 1)$保底逻辑，防止 K 太小或 C 太小时出现零人参与的场面。
    max⁡(C×K, 1)\displaystyle \max(C \times K,\ 1)

训练流程差异：抽签轮值与全员例会

百家宴的规模太大，镇长只能每周随机抽签请一批家庭来试菜，味道汇总要经过几十上百轮才渐渐稳定；主厨联盟的品鉴会则每次都全员到场，三五轮就能敲定新的菜单方向。这就是两种形态在训练流程上的核心分野。

跨设备的每个通信轮次，服务器随机采样一小部分客户端（比如总数中的 1000 台），它们下载当前全局模型、在本地数据上训练几个 epoch、再把更新上传；服务器用联邦平均（FedAvg）把这些“小碟菜”按分量加权融合成新的“味道汇总”。跨机构则几乎全员参与每一轮，轮数显著更少。

FedAvg 的聚合规则是：每个客户端本地训练得到新模型后，服务器按其本地样本数占本轮总样本数的比例加权平均。样本越多的参与方，话语权越大——主厨那本厚菜谱，自然比家庭的一碟小菜更有分量。由于每轮参与的客户端只是随机抽样，加上各设备数据分布天然不同（非独立同分布），跨设备每轮更新方向都比较“颠簸”，需要更多轮次配合学习率衰减来稳住。

轮次数量因此差出一个量级：跨设备往往需要几百轮才能收敛，跨机构通常几十轮内就能见分晓。“众口难调”的代价，终究要由更多轮的协调来偿还。

w(t+1)=∑k∈Stnknwk(t+1)\displaystyle w^{(t+1)} = \sum_{k \in S_t} \frac{n_k}{n} w_k^{(t+1)}
FedAvg：新全局模型 = 本轮参与客户端本地模型的加权平均，权重是各自的样本数占比。
  1. 全局模型 $w^{(t+1)}$第 t+1 轮更新后的最新“味道汇总”，会下发给所有参与方。
    w(t+1)\displaystyle w^{(t+1)}
  2. 采样集合 $S_t$第 t 轮实际被抽中参与训练的那批客户端，是全集的一个子集。
    St\displaystyle S_t
  3. 本地模型 $w_k^{(t+1)}$第 k 个客户端在本地数据上训练若干步后交上来的模型更新。
    wk(t+1)\displaystyle w_k^{(t+1)}
  4. 权重 $\displaystyle\frac{n_k}{n}$该客户端样本数占本轮参与方总样本数的比例，菜越多话语权越大。
    nkn\displaystyle \frac{n_k}{n}
  5. 求和 $\displaystyle\sum_{k \in S_t}$对 $S_t$ 中每一个参与方都算一次加权并累加。
    ∑k∈St\displaystyle \sum_{k \in S_t}

隐私与安全：街边小摊与后厨合约

百家宴上陌生人川流不息，你的小菜可能被偷看、被掉包，防不胜防；主厨联盟里各餐厅虽有品牌声誉与合同约束，主厨之间半信半疑，却也不敢轻举妄动。两种系统面对的安全威胁，与它们的“社交形态”息息相关。

跨设备的参与方匿名、海量、来去自由，攻击者可以轻易注册或伪装大量客户端，往训练里投毒，或者勾结起来窥探他人数据。因此服务器不能相信任何单个客户端，只能依赖安全聚合（Secure Aggregation）——让服务器只看到“大家合起来的味道”，看不到任何单独一碟菜。同时再叠加差分隐私，给聚合结果撒一把“神秘调味料”，让模型本身也无法还原个体的贡献。

跨机构则不同：参与方少且身份明确，可以建立更强的信任假设——比如“半诚实但非共谋”——从而承担同态加密等更昂贵的密码协议；它的主要威胁来自服务器越权读取，或少数机构合谋。隐私设计从来不是越强越好，而是要与系统形态匹配：街边小摊要防“顺手牵羊”，后厨更怕“内鬼合谋”。

g~=g+N(0, σ2)\displaystyle \tilde{g} = g + \mathcal{N}(0,\ \sigma^2)
差分隐私加噪：对外发布的梯度 = 真实梯度 + 高斯噪声，噪声像调味料，盖住单个人的味道。
  1. 真实梯度 $g$聚合后的真实更新方向，相当于小菜的原汁原味。
    g\displaystyle g
  2. 高斯噪声 $\mathcal{N}(0,\ \sigma^2)$均值为 0、方差为 σ² 的随机扰动，是撒下去的“神秘调味料”。
    N(0, σ2)\displaystyle \mathcal{N}(0,\ \sigma^2)
  3. 加噪梯度 $\tilde{g}$对外发布的梯度，个体信息被噪声掩盖，无法反推谁贡献了什么。
    g~\displaystyle \tilde{g}
  4. σ 的权衡σ 越大，隐私保护越强，但模型精度损耗也越大，是隐私与效用的天平。
    σ2\displaystyle \sigma^2

典型应用案例：从输入法到肿瘤科

百家宴的形态，天然适合“每个人都有自己小偏好”的场景——手机输入法、语音助手、运动健康；主厨联盟的形态，则适合“少量重数据玩家合作”的领域——医院联合建模、银行共享风控。选对舞台，两种模式各展身手。

手机输入法公司面向数亿用户做个性化词库：每台手机在本地训练，只上传模型更新，服务器每轮随机采样几十万台设备做联邦平均，再下发新版通用词库。另一边，几十家三甲医院组成医疗联邦，每家拥有 GPU 集群和数万份影像数据，全部机构每轮参与训练，二十轮后得到泛化能力显著增强的肿瘤筛查模型——原始影像数据始终没有离开医院。

无论是哪种模式，通信开销都是一笔绕不开的账单：总通信成本 = 轮次数 × 每轮参与数 × 模型大小。跨设备轮次多、参与数大，但模型往往精简；跨机构轮次少、参与方少，但模型和单方数据都更庞大。拿着这张账单，工程师就能为具体任务做出理性的方案选型。

两种模式不是竞争而是互补：如果你的任务是“人多菜小、常掉线”，就走百家宴路线；如果是“人少菜大、稳定协作”，就走主厨联盟路线。看懂这份差异地图，才算真正拿到了联邦学习的入场券。

Ctotal=R×mt×∣w∣\displaystyle C_{\text{total}} = R \times m_t \times |w|
总通信成本由训练轮数、每轮参与客户端数和模型大小共同决定，是跨设备与跨机构选型时先要算清的账。
  1. 通信轮次 $R$联邦训练总共进行的轮数，跨设备常上百，跨机构常几十。
    R\displaystyle R
  2. 每轮参与数 $m_t$平均每轮实际参与的客户端数量，跨设备是采样子集，跨机构近乎全员。
    mt\displaystyle m_t
  3. 模型大小 $|w|$模型参数量，相当于一份菜谱的厚度，决定每次上传的“包裹”有多重。
    ∣w∣\displaystyle |w|
  4. 总成本 $C_{\text{total}}$三项相乘得到的通信账单，用来对比两种模式的资源开销。
    Ctotal\displaystyle C_{\text{total}}

AI 应用场景

场景1：手机输入法个性化词库（跨设备）

阶段：联邦训练与模型更新

解决的问题：传统方案把用户输入历史上传云端训练个性化联想词库，既耗流量又泄露隐私；不上传原始数据，模型又无法持续改进。

具体案例：某输入法覆盖数亿用户，采用跨设备联邦学习：客户端本地训练词库更新，仅回传模型梯度；服务器每轮随机采样数十万台设备，FedAvg 聚合后下发新模型。个人输入习惯从不离开手机，隐私与体验兼得。

场景2：多家医院联合训练疾病预测模型（跨机构）

阶段：多方协作建模与隐私保护

解决的问题：单一医院病例有限，模型泛化能力差；直接汇总各方数据又违反患者隐私保护与数据出境规定。

具体案例：30 家三甲医院组成医疗联邦，每家拥有 GPU 集群和数万份影像数据，全部机构每轮参与 FedAvg，经过约 20 轮训练得到泛化能力更强的肿瘤筛查模型，原始影像不出院门。

场景3：银行间欺诈检测模型共建（跨机构）

阶段：联合建模与安全聚合

解决的问题：单一银行的黑样本稀疏，难以训练出强大的反欺诈模型；共享客户交易明细又涉及商业机密与合规红线。

具体案例：5 家银行通过跨机构联邦，配合安全聚合与差分隐私，在各自数据不出库的前提下联合训练欺诈识别模型，整体召回率提升约 30%，且任何一方都无法反推出其他银行的客户记录。

Python 演示

python38 行
"""对比跨设备与跨机构联邦学习的收敛轨迹""" import random  def simulate_fedavg(total_clients, participation_rate, rounds, lr=0.4, local_epochs=5):    # 每个客户端本地数据对应的最优参数，模拟数据异构性    local_optima = [i * 0.05 for i in range(total_clients)]    # 全局最优点：所有客户端最优参数的平均值    global_opt = sum(local_optima) / total_clients     w = 0.0  # 全局模型参数，用标量示意    errors = []    for _ in range(rounds):        # 每轮只按参与率采样部分客户端参与        k = max(1, int(participation_rate * total_clients))        participants = random.sample(range(total_clients), k)        local_ws = []        for idx in participants:            # 本地训练：朝本客户端的最优点逼近若干步            w_local = w            for _ in range(local_epochs):                w_local += lr * (local_optima[idx] - w_local)            local_ws.append(w_local)        # 服务器联邦平均：聚合本轮参与者的本地模型        w = sum(local_ws) / len(local_ws)        errors.append(abs(w - global_opt))  # 记录与全局最优的误差    return errors  random.seed(42)device_errors = simulate_fedavg(total_clients=500, participation_rate=0.1, rounds=30)silo_errors = simulate_fedavg(total_clients=5, participation_rate=1.0, rounds=30) print("跨设备(500终端,10%采样): 最终误差 %.4f" % device_errors[-1])print("跨机构(5机构,100%参与): 最终误差 %.4f" % silo_errors[-1])print("跨设备 逐轮误差:", ["%.3f" % e for e in device_errors[::5]])print("跨机构 逐轮误差:", ["%.3f" % e for e in silo_errors[::5]])
目的：用 500 个终端、10% 采样模拟跨设备，用 5 个机构、100% 参与模拟跨机构，直观对比两者经过 30 轮联邦平均后的收敛差距。
  1. local_optima = [i * 0.05 for i in range(total_clients)]模拟每个客户端握着不同的本地“口味”（数据分布），这正是非独立同分布。
  2. k = max(1, int(participation_rate * total_clients))按参与率算出每轮采样人数：跨设备只约 1 成，跨机构全员参与。
  3. w_local += lr * (local_optima[idx] - w_local)本地梯度下降，让本地模型朝自己的最优值靠拢。
  4. w = sum(local_ws) / len(local_ws)服务器等权联邦平均，对应正文 FedAvg 的核心聚合逻辑。
  5. errors.append(abs(w - global_opt))记录每轮与全局最优的误差，用来对比两种模式的收敛速度。

常见误区

误区跨设备（Cross-Device）是不是就是设备比较少的联邦学习？比如几台电脑一起训练？

正解恰恰相反。跨设备指的是海量客户端——百万级手机、物联网终端——每一轮只随机采样一小部分参与；跨机构才是“少而大”：几家机构各自拥有数据中心。前者像百家宴请三百户抽三十户，后者像三位主厨全员到齐。设备二字让人误以为规模小，实际它强调的是“移动终端海量、单点资源薄弱”。

为何常见："device"的字面容易让人联想到个人电脑的数量级，忽略了它在联邦语境中专指资源受限的移动与 IoT 终端。

误区跨机构每方都有 GPU 集群，所以训练快；跨设备手机慢，所以训练慢。硬件决定一切。

正解算力只是一部分，更本质的差异是参与率与轮次协调。跨设备每轮只有小部分设备在线，还要容忍掉线，轮次动辄上百；跨机构全员稳定在线，几十轮内收敛。就像开会效率高，不是因为会议室音响好，而是因为所有人都按时出席、议题一次对齐。

为何常见：人们习惯把性能差异归因于看得见的硬件，而忽略了系统调度、通信模式这些更隐蔽的结构性因素。

误区跨设备有上百万设备参与，攻击者混在里面很难掀起风浪，所以比跨机构更安全。

正解正好相反。海量匿名设备意味着攻击者可以轻松注册或伪装大量客户端投毒、窥探，服务器必须依赖安全聚合与差分隐私来防御；跨机构参与方身份明确、有声誉约束，反而能用更重的密码协议构建信任。人多不等于安全，人杂才更需防备。

为何常见：“人多力量大”的直觉被错误迁移到安全维度，忽略了匿名性带来的巨大攻击面。

误区只有手机用户的打字习惯各不相同，机构的数据都是规范整理的，所以跨机构不存在数据异构问题。

正解跨机构的数据异构往往更猛——不同医院的设备型号、患者人群、记录方式迥异，不同银行的客群分布天差地别。虽然单机构内部数据量大且规整，但机构之间的分布差异是“大块与大块”的鸿沟，反而更难靠大数定律平滑掉。

为何常见：容易把“数据规范”等同于“分布一致”，忽视了机构间人群画像的系统性差异。

面试题

Q1. 跨设备(Cross-Device)联邦学习最典型的参与方是？

单选题 · easy

  • A.三家大型医院的数据中心服务器
  • B.海量智能手机与物联网终端设备← 正确答案
  • C.单个超算中心内部的多块GPU
  • D.少数科技公司的专用数据库

答案：B。跨设备的核心特征是“海量客户端、单点数据少”，智能手机和物联网终端正是典型代表。三家医院属于跨机构形态，超算多 GPU 是单机并行，少数公司数据库也属于跨机构而非跨设备。

Q2. 跨机构(Cross-Silo)相比跨设备，最显著的系统特征是？

单选题 · easy

  • A.参与方数量多且每方数据量小
  • B.参与方数量少且每方数据量大← 正确答案
  • C.客户端经常离线且网络不稳定
  • D.每轮只能随机采样少数参与方

答案：B。跨机构是“少而大”：几家机构的服务器 7×24 在线、数据量大且规整，每轮原则上可以全员参与；跨设备才是“多而小、在线率低”。

Q3. 设总客户端数 K=1000、采样率 C=0.1，按 m=max(C×K,1) 计算，每轮实际参与的客户端数约为？

单选题 · mid

  • A.1
  • B.10
  • C.100← 正确答案
  • D.1000

答案：C。C×K = 0.1×1000 = 100，结果大于 1，所以 m=100。这正是跨设备“抽签轮值”的思路——总人数很多，但每轮只请一小部分。

Q4. 联邦平均(FedAvg)中，服务器聚合各客户端本地模型的正确方式是？

单选题 · mid

  • A.取所有模型参数的中位数
  • B.对所有本地模型做等权平均
  • C.按各客户端数据量占比加权平均← 正确答案
  • D.只保留最后一个上传的模型

答案：C。FedAvg 用 n_k/n 作为权重，数据量大的客户端话语权更大，就像菜多的家庭在味道汇总里占比更高；中位数、等权平均或只留最后一个都不符合联邦平均的定义。

Q5. 跨设备联邦每轮为何只采样部分客户端参与？

单选题 · mid

  • A.服务器算力不足以聚合全部模型
  • B.海量设备常离线且通信耗电耗带宽，只能部分参与← 正确答案
  • C.故意让模型收敛更慢以避免过拟合
  • D.隐私法规限制同一时间在线数量

答案：B。设备在线率波动、通信资源和电量昂贵是根本原因，服务器聚合算力通常不是瓶颈；更不是有意放慢收敛，隐私法规也不会限制在线设备数量。

Q6. 关于跨设备与跨机构的安全聚合实现难度，正确的是？

单选题 · extreme

  • A.跨设备客户端少，秘密分享更简单
  • B.跨设备客户端海量且随机掉线，容错安全聚合更难实现← 正确答案
  • C.跨机构无法使用安全聚合技术
  • D.跨设备不需要考虑恶意客户端攻击

答案：B。跨设备客户端规模大、随时掉线，安全聚合必须设计密文碎片重建与容错机制，难度远高于跨机构；跨机构参与方少且稳定，反而容易两两协商，也更需要安全聚合来防内鬼。

Q7. 跨机构适合采用同态加密等重密码方案的原因不包括？

单选题 · mid

  • A.参与方少，密钥管理与协商可行
  • B.每方算力强，可承受较高计算开销
  • C.通信稳定，额外交互轮次可接受
  • D.机构之间完全互信，无需任何防护← 正确答案

答案：D。正因为机构之间“半信半疑”才需要密码学防护，完全互信就根本不需要加密了。参与方少、算力强、通信稳都是跨机构能扛住重密码方案的前提条件。

Q8. 关于差分隐私在联邦学习中的作用，下列说法正确的有？

多选题 · mid

  • A.通过添加噪声让单个样本难以被识别← 正确答案
  • B.噪声越大隐私保护越强但模型精度越低← 正确答案
  • C.可以完全替代安全聚合技术
  • D.只能在跨设备场景下使用

答案：AB。差分隐私加噪能掩盖个体贡献，σ 越大隐私越强、精度损耗越大；它与安全聚合是互补关系而非替代，跨机构同样可以引入差分隐私。

Q9. 下列属于跨设备与跨机构系统差异的有？

多选题 · hard

  • A.跨设备参与方数量远多于跨机构← 正确答案
  • B.跨机构每个参与方数据量通常更大← 正确答案
  • C.跨设备的通信连接比跨机构更稳定
  • D.跨机构收敛所需的通信轮次通常更少← 正确答案

答案：ABD。跨设备天然“多而小、在线率低”，跨机构“少而大、稳定在线”，因此收敛轮次更少；通信稳定性恰恰是跨设备的劣势而非优势，所以 C 错误。

Q10. 以下哪些属于跨机构联邦学习的典型应用？

多选题 · easy

  • A.多家医院联合训练肿瘤诊断模型← 正确答案
  • B.多家银行共享风控模型而不交换客户数据← 正确答案
  • C.手机输入法根据个人习惯更新词库
  • D.智能手表更新睡眠监测模型

答案：AB。医院之间、银行之间的合作是典型跨机构场景，参与方少而数据量大；手机输入法与智能手表属于典型的跨设备场景，参与方海量而单点数据少。