联邦学习工程师考试试卷及答案

联邦学习工程师考试试卷及答案填空题（每题1分，共10分）1.联邦学习按照数据分布类型分为横向联邦、纵向联邦和______联邦学习。答案：联邦迁移2.联邦学习中，提供本地数据的参与方通常称为______（或客户端）。答案：用户方3.通过添加噪声实现隐私保护的核心技术是______。答案：差分隐私4.TensorFlow生态中用于联邦学习的框架是______。答案：TensorFlowFederated（TFF）5.纵向联邦学习适用于______（相同用户不同特征/不同用户相同特征）的场景。答案：相同用户不同特征6.联邦学习经典聚合算法是______（FedAvg）。答案：联邦平均7.PySyft框架结合PyTorch与______实现隐私计算。答案：隐私保护技术8.联邦学习的隐私风险来源包括梯度泄露、______和成员推理攻击。答案：模型逆推攻击9.横向联邦学习的典型应用场景是______（举1例）。答案：手机端键盘预测10.纵向联邦学习需先解决______问题。答案：用户对齐单项选择题（每题2分，共20分）1.以下不属于联邦学习核心特征的是？A.数据本地化B.隐私保护C.集中式训练D.多方协作答案：C2.横向联邦学习的用户分布特点是？A.相同ID不同特征B.不同ID相同特征C.无重叠IDD.无重叠特征答案：B3.差分隐私中ε表示什么？A.隐私预算B.噪声强度C.数据敏感度D.聚合精度答案：A4.以下哪个不是联邦学习主流框架？A.TFFB.PySyftC.PyTorchD.FedML答案：C5.纵向联邦学习中参与方共享的是？A.原始数据B.加密特征C.完整模型D.明文ID答案：B6.客户端本地训练的是？A.全局模型B.局部模型C.共享参数D.原始数据答案：B7.针对梯度泄露的攻击是？A.差分攻击B.梯度反转攻击C.数据脱敏攻击D.模型压缩攻击答案：B8.FedAvg步骤不包括？A.本地训练B.上传梯度C.聚合更新D.下载原始数据答案：D9.横向联邦学习客户端数量通常？A.较少（<10）B.较多（>100）C.固定10D.无限制答案：B10.联邦学习的优势是？A.训练比集中式快B.完全消除隐私风险C.跨机构数据协作D.无通信成本答案：C多项选择题（每题2分，共20分）1.联邦学习分类包括？A.横向联邦B.纵向联邦C.联邦迁移D.集中式联邦答案：ABC2.常用隐私保护技术有？A.差分隐私B.同态加密C.安全多方计算D.数据脱敏答案：ABCD3.横向联邦应用场景有？A.手机键盘预测B.金融跨机构协作C.医疗多中心研究D.广告推荐答案：ACD4.联邦学习参与方包括？A.客户端B.服务器C.数据提供方D.部署方答案：ABCD5.联邦学习挑战有？A.通信效率低B.系统异构C.隐私-精度权衡D.参与激励答案：ABCD6.纵向联邦核心问题是？A.用户对齐B.特征对齐C.梯度隐私D.并行训练答案：AC7.主流联邦框架有？A.TFFB.PySyftC.FedMLD.MXNet-FL答案：ABCD8.差分隐私实现机制有？A.拉普拉斯B.指数C.高斯D.随机梯度下降答案：ABC9.服务器聚合的更新类型是？A.模型参数B.梯度C.损失函数D.原始数据答案：AB10.联邦学习攻击方式有？A.成员推理B.模型逆推C.梯度泄露D.差分攻击答案：ABC判断题（每题2分，共20分）1.联邦学习允许客户端上传原始数据。（×）2.横向联邦用户ID相同、特征不同。（×）3.差分隐私ε越小，隐私保护越强。（√）4.TFF是PyTorch的联邦扩展。（×）5.纵向联邦无需用户对齐。（×）6.FedAvg是横向联邦经典算法。（√）7.同态加密可直接运算加密数据。（√）8.联邦学习完全消除隐私风险。（×）9.PySyft支持差分隐私和同态加密。（√）10.医疗多中心研究适合横向联邦。（√）简答题（每题5分，共20分）1.简述横向与纵向联邦的核心区别。答案：①数据分布：横向联邦用户ID不同、特征相似（如不同手机用户的键盘数据）；纵向联邦用户ID相同、特征互补（如银行交易数据+电商消费数据）。②核心问题：横向联邦重点聚合局部模型更新；纵向联邦需先解决用户对齐，再通过隐私技术共享特征交互。③应用场景：横向多用于终端协作（手机、IoT）；纵向多用于跨机构协作（金融、医疗）。2.差分隐私在联邦学习中的作用是什么？答案：差分隐私通过向梯度/参数添加可控噪声，使攻击者无法推断单个客户端数据。①定义隐私预算ε（ε越小隐私越强）；②采用拉普拉斯/高斯机制满足“相邻数据集输出不可区分”；③平衡隐私与精度：需根据场景调整ε，避免过度保护降低模型性能，是隐私-精度权衡的关键技术。3.简述联邦学习基本流程（横向为例）。答案：①初始化：服务器分发初始全局模型；②本地训练：客户端用本地数据训练局部模型，计算梯度/参数更新；③隐私保护：添加噪声（如差分隐私）；④上传聚合：客户端上传更新，服务器加权平均（FedAvg）；⑤迭代：重复步骤直到模型收敛。全程数据本地化，仅传输模型更新。4.联邦学习面临哪些主要挑战？答案：①通信效率：客户端-服务器通信成本高，需压缩传输；②隐私安全：梯度泄露、模型逆推仍存在；③系统异构：客户端算力/网络差异大；④隐私-精度权衡：噪声添加降低精度；⑤参与激励：需设计机制鼓励客户端贡献高质量数据。讨论题（每题5分，共10分）1.如何平衡联邦学习的隐私保护与模型精度？答案：①技术选型：根据场景选轻量隐私技术（如低ε差分隐私、TEE）；②自适应调整：针对敏感数据用高噪声，非敏感用低噪声；③模型优化：采用联邦蒸馏减少对原始数据依赖；④架构设计：结合安全多方计算（MPC）提升精度；⑤联合评估：通过隐私泄露风险（如成员推理成功率）和模型精度（如准确率）迭代优化策略，找到平衡点。2.联邦学习在医疗领域的价值与挑战是什么？答案：价值：①隐私合规：避免医疗数据集中泄露，符合HIPAA等法规；②跨机构协作：多医院共