联邦学习技术习题及详解.docxVIP

联邦学习技术习题及详解

一、单项选择题（共10题，每题1分，共10分）

联邦学习的核心目标是下列哪一项？

A.各参与方直接共享原始训练数据，最大化模型训练效果

B.在不泄露参与方原始数据的前提下，实现多方协同建模

C.将所有参与方的数据集中到同一服务器进行统一训练

D.以牺牲模型精度为代价，实现数据的完全隐私保护

答案：B

解析：选项A和C是传统集中式机器学习的实现逻辑，不符合联邦学习“数据不出本地”的核心原则；选项D表述错误，联邦学习的设计目标是兼顾隐私保护和模型效果，不会刻意牺牲精度换取安全；只有选项B准确描述了联邦学习的核心目标。

横向联邦学习适用的场景是下列哪一项？

A.参与方之间特征重叠度高、样本重叠度低

B.参与方之间样本重叠度高、特征重叠度低

C.参与方之间样本和特征的重叠度都极低

D.参与方之间样本和特征的重叠度都极高

答案：A

解析：横向联邦学习也叫按样本划分的联邦学习，适用于不同参与方的业务特征体系一致，但覆盖的用户群体重合度低的场景，比如不同城市的连锁超市搭建用户画像模型，特征都是消费金额、消费频率等，用户群体重合度极低，因此选项A正确，其余选项不符合横向联邦的适用特征。

纵向联邦学习适用的场景是下列哪一项？

A.参与方之间特征重叠度高、样本重叠度低

B.参与方之间样本重叠度高、特征重叠度低

C.参与方之间样本和特征的重叠度都极低

D.