联邦学习与边缘大模型：在保护数据隐私前提下，协同训练与更新分布在多个设备上的模型.docx

下载文档

0
0
约2.12万字
约 26页
2026-01-12 发布于湖北
举报
版权申诉
保障服务

联邦学习与边缘大模型：在保护数据隐私前提下，协同训练与更新分布在多个设备上的模型.docx

1、本文档内容版权归属内容提供方，所产生的收益全部归内容提供方所有。如果您对本文有版权争议，可选择认领，认领后既往收益都归您。。
2、本文档由用户上传，本站不保证质量和数量令人满意，可能有诸多瑕疵，付费之前，请仔细先通过免费阅读内容等途径辨别内容交易风险。如存在严重挂羊头卖狗肉之情形，可联系本站下载客服投诉处理。
3、文档侵权举报电话：400-050-0827(电话支持时间：9:00-18:30)。

PAGE

PAGE1

联邦学习与边缘大模型：在保护数据隐私前提下，协同训练与更新分布在多个设备上的模型

课题分析与写作指导

本课题《联邦学习与边缘大模型：在保护数据隐私前提下，协同训练与更新分布在多个设备上的模型》聚焦于人工智能领域最前沿的两个热点方向：联邦学习与大模型技术。随着深度学习模型参数规模的指数级增长，传统的集中式训练模式面临着巨大的通信带宽压力、隐私泄露风险以及单点计算瓶颈。特别是在物联网和移动边缘计算场景下，设备资源受限且数据隐私敏感，如何将大模型有效地部署、训练和更新在边缘侧，成为了一个亟待解决的关键科学问题。本课题旨在深入分析经典联邦平均算法在大模型场景下的失效原