2025年特许金融分析师联邦学习与金融数据协作专题试卷及解析.pdfVIP

2025年特许金融分析师联邦学习与金融数据协作专题试卷及解析1

2025年特许金融分析师联邦学习与金融数据协作专题试卷

及解析

2025年特许金融分析师联邦学习与金融数据协作专题试卷及解析

第一部分：单项选择题（共10题，每题2分）

1、在联邦学习中，以下哪项是“横向联邦学习”最典型的应用场景？

A、不同银行共同训练一个信用评分模型，各银行拥有相同的客户群体但不同的特

征

B、多个地区的医院联合训练疾病预测模型，各医院拥有相同的特征维度但不同的

患者

C、电商平台与物流公司合作训练配送时间预测模型，双方数据完全不同

D、监管机构与商业银行联合训练反洗钱模型，监管机构拥有标签数据

【答案】B

【解析】正确答案是B。横向联邦学习适用于数据集特征相同但样本ID不同的场

景，如不同地区的医院拥有相同的特征维度（如年龄、症状）但不同的患者。A选项描

述的是纵向联邦学习，C和D选项属于混合联邦学习或特定场景的联邦学习。知识点：

联邦学习的三种主要模式（横向、纵向、混合）。易错点：容易混淆横向和纵向联邦学

习的适用场景，需牢记“横向=样本不同，特征相同；纵向=样本相同，特征不同”。

2、联邦学习中，以下哪项技术主要用于解决“数据异构性”问题？

A、同态加密

B、差分隐私

C、个性化联邦学习

D、安全多方计算

【答案】C

【解析】正确答案是C。数据异构性是指各客户端数据分布不一致的问题，个性化

联邦学习通过为不同客户端定制模型来解决该问题。A和B选项主要用于隐私保护，D

选项用于安全计算。知识点：联邦学习中的核心挑战（数据异构性、通信效率、隐私保

护）。易错点：容易将数据异构性与隐私保护技术混淆，需明确不同技术针对的问题。

3、在金融数据协作中，以下哪项是“差分隐私”的主要目标？

A、确保模型训练过程中的数据不被泄露

B、保护个体数据不被从聚合结果中推断出来

C、加速模型训练的收敛速度

D、减少通信开销

【答案】B

2025年特许金融分析师联邦学习与金融数据协作专题试卷及解析2

【解析】正确答案是B。差分隐私通过向数据或模型添加噪声，确保个体数据无法

从聚合结果中被推断出来。A选项更接近同态加密的目标，C和D选项与差分隐私无

关。知识点：差分隐私的核心思想及其在金融数据中的应用。易错点：容易混淆差分隐

私与同态加密的目标，前者保护个体隐私，后者保护数据本身。

4、以下哪项是联邦学习在金融领域中最常见的应用？

A、图像识别

B、自然语言处理

C、信用评分

D、自动驾驶

【答案】C

【解析】正确答案是C。联邦学习在金融领域中最常见的应用是信用评分，因为多

家银行可以联合训练模型而不共享原始客户数据。A、B、D选项属于其他领域的应用。

知识点：联邦学习的应用场景。易错点：容易将联邦学习的应用场景泛化，需结合金融

领域的实际需求。

5、在联邦学习中，以下哪项是“安全聚合”协议的主要作用？

A、减少模型训练的通信次数

B、防止服务器从客户端的模型更新中推断出个体数据

C、提高模型的准确性

D、处理数据异构性问题

【答案】B

【解析】正确答案是B。安全聚合协议通过加密技术确保服务器只能看到聚合后的

模型更新，无法获取个体客户端的更新内容。A、C、D选项与安全聚合无关。知识点：

联邦学习中的隐私保护技术。易错点：容易混淆安全聚合与差分隐私的作用，前者保护

聚合过程，后者保护数据本身。

6、以下哪项是“纵向联邦学习”的典型挑战？

A、数据特征维度不一致

B、样本ID重叠率低

C、通信开销过大

D、模型收敛速度慢

【答案】B

【解析】正确答案是B。纵向联邦学习需要样本ID重叠，如果重叠率低，模型训练

效果会大打折扣。A、C、D选项是联邦学习的普遍挑战，而非纵向联邦学习的特有问

题。知识点：纵向联邦学习的特点与挑战。易错点：容易忽略纵向联邦学习对样本ID

重叠的依赖。

7、