待验证50% 置信事实精确时间

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

1

来源数

50%

置信度

长期有效

时效性

2026/10/9

首次发现

来源

联邦学习+时序Transformer：车载CAN总线异常检测新框架

涉及实体

联邦学习concept FedAvgconcept

相关事实

待验证FedAvg（联邦平均）算法中，服务器将全局模型下发给各客户端，各方在本地完成若干轮梯度更新后上传模型权重或梯度，服务器按样本量加权平均生成新的全局模型71% 相似待验证在联邦学习框架中，各参与方的模型梯度可通过加性秘密共享进行聚合，使协调服务器仅能获取加总后梯度而无法推断单一参与方原始数据69% 相似待验证训练大模型需要理解NCCL（NVIDIA集合通信库）的AllReduce通信原语，本质是分布式系统中的进程同步问题69% 相似已验证LIME通过在目标样本周围构造扰动数据集，训练局部可解释的线性模型来近似复杂模型的局部行为66% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/990553

API

curl https://kongchang.com/api/v1/knowledge/claims/990553

MCP

get_claim(id=990553)