2026年联邦学习真题及详解.docxVIP

2026年联邦学习真题及详解

一、单项选择题（共10题，每题1分，共10分）

以下关于联邦学习核心定义的描述，准确的是

A.所有参与方将原始数据统一上传至中心服务器完成全局模型训练

B.多个数据持有方在不共享本地原始数据的前提下，协同完成全局机器学习模型训练

C.联邦学习是不需要任何加密机制即可实现的轻量化分布式训练技术

D.联邦学习是仅能在金融行业落地的专用机器学习技术

答案：B

解析：选项A描述的是传统集中式机器学习的训练模式，不符合联邦学习“数据不出域”的核心特征；选项C错误，联邦学习全程需要搭配加密传输、隐私保护机制避免梯度泄露风险，并非不需要加密；选项D错误，联邦学习可落地在医疗、教育、政务等多个数据敏感场景，并非金融行业专属；选项B完全符合联邦学习的标准定义。

横向联邦与纵向联邦的核心划分依据是

A.参与方所在的行业属性

B.参与方数据集之间样本和特征的重叠关系

C.参与方使用的硬件计算能力

D.参与方的模型算法类型

答案：B

解析：横向联邦适用于特征重叠多、样本重叠少的场景，纵向联邦适用于样本重叠多、特征重叠少的场景，二者的划分核心依据就是不同参与方数据集的样本、特征交集情况，其余三个选项都不属于联邦分类的核心划分标准。

联邦平均算法（FedAvg）在训练过程中，各个参与方上传至聚合节点的核心内容是

A.本地全部原始数据集

B.本地训练得到的模型参