联邦学习应用技师考试试卷及答案

联邦学习应用技师考试试卷及答案一、填空题（10题，每题1分）1.联邦学习的核心是在不共享______的前提下，实现多参与方协同训练模型。2.按数据划分方式，联邦学习分为横向联邦、纵向联邦和______联邦。3.FedAvg（联邦平均）是联邦学习中常用的______算法。4.可直接对密文进行运算的加密技术是______加密。5.联邦学习的参与方主要包括客户端（数据持有方）和______（模型协调方）。6.差分隐私中，参数______越小，隐私保护强度越高。7.谷歌开发的联邦学习框架是______。8.安全聚合技术主要解决联邦学习中______泄露的问题。9.纵向联邦学习的特点是参与方数据的______相同、特征不同。10.金融领域用联邦学习可避免______数据的直接共享。二、单项选择题（10题，每题2分）1.属于横向联邦学习应用场景的是？A.不同医院的同病种患者数据B.同一银行的不同业务数据C.不同电商的用户购物数据（用户ID不同）D.不同城市的气象数据2.联邦学习中，防止第三方推断参与方数据的技术是？A.差分隐私B.批量归一化C.dropoutD.学习率调整3.纵向联邦学习的核心是？A.样本划分B.特征划分C.标签划分D.模型划分4.谷歌的联邦学习框架是？A.PySyftB.TFFC.FlowerD.OpenMined5.安全聚合的作用是？A.提高模型准确率B.减少通信成本C.保护聚合前的梯度隐私D.加快训练速度6.关于联邦学习的错误说法是？A.不共享原始数据B.可跨机构协同训练C.准确率一定高于集中式D.需保护隐私7.本地差分隐私（LDP）的特点是？A.数据先本地加噪再上传B.服务器端加噪C.无需加噪D.仅对模型加噪8.联邦学习的参与方不包括？A.客户端B.服务器C.数据提供方D.集中式原始数据存储方9.属于联邦迁移学习应用的是？A.医疗+医疗数据协同B.医疗+金融数据迁移C.同一行业不同地区数据D.同一机构不同部门数据10.客户端在联邦学习中的主要任务是？A.聚合梯度B.训练本地模型C.存储所有参与方数据D.生成原始数据三、多项选择题（10题，每题2分，多选/少选不得分）1.联邦学习的核心要素包括？A.多参与方B.原始数据共享C.隐私保护D.协同训练2.联邦学习常用隐私保护技术有？A.同态加密B.差分隐私C.安全多方计算（MPC）D.批量归一化3.横向联邦学习的特点是？A.样本ID不同B.特征重叠度高C.样本ID相同D.特征重叠度低4.纵向联邦学习的应用场景包括？A.银行+征信机构数据协同B.医院+药企数据协同C.不同电商用户数据（ID不同）D.同一银行不同分行数据5.联邦学习的优势有？A.保护数据隐私B.跨机构协同C.降低通信成本D.无需硬件支持6.安全聚合的实现方式包括？A.差分隐私加噪B.同态加密聚合C.梯度压缩D.模型蒸馏7.属于联邦学习框架的是？A.TFFB.PySyftC.FlowerD.Scikit-learn8.联邦学习面临的挑战有？A.通信开销B.隐私泄露风险C.模型性能波动D.无需协调参与方9.本地差分隐私（LDP）的应用场景包括？A.手机用户数据统计B.医疗数据协同C.电商用户行为分析D.集中式数据训练10.客户端训练的步骤包括？A.加载本地数据B.训练本地模型C.计算梯度D.上传原始数据四、判断题（10题，每题2分，√/×）1.联邦学习不需要共享任何数据（）2.纵向联邦学习是样本ID重叠、特征不同（）3.差分隐私的ε越大，隐私保护越强（）4.FedAvg只适用于横向联邦学习（）5.PySyft是OpenMined开发的联邦学习框架（）6.联邦学习的模型准确率一定低于集中式（）7.安全聚合可防止攻击者推断单一方数据（）8.联邦学习不需要通信（）9.医疗领域用联邦学习可避免患者隐私泄露（）10.联邦学习只能用于机器学习任务（）五、简答题（4题，每题5分）1.简述联邦学习的定义及核心思想2.横向联邦学习与纵向联邦学习的区别3.联邦学习中常用的隐私保护技术有哪些？4.简述FedAvg算法的基本流程六、讨论题（2题，每题5分）1.联邦学习在医疗领域的应用面临哪些挑战？2.如何平衡联邦学习的模型性能与隐私保护？---答案部分一、填空题答案1.原始数据2.联邦迁移3.聚合4.同态5.服务器6.ε（epsilon）7.TensorFlowFederated（TFF）8.梯度/模型参数9.样本ID10.用户二、单项选择题答案1.A2.A3.B4.B5.C6.C7.A8.D9.B10.B三、多项选择题答案1.ACD2.ABC3.AB4.AB5.AB6.AB7.ABC8.ABC9.AC10.ABC四、判断题答案1.×2.√3.×4.×5.√6.×7.√8.×9.√10.×五、简答题答案1.联邦学习定义及核心思想：联邦学习是分布式机器学习框架，核心是数据可用不可见——多参与方（客户端）利用本地数据训练模型，仅上传模型参数（如梯度），服务器聚合后下发更新，迭代至收敛。无需共享原始数据，平衡隐私保护与模型训练。2.横向与纵向联邦的区别：①数据划分：横向是样本划分（样本ID不同、特征重叠高，如同病种医院数据）；纵向是特征划分（样本ID相同、特征不同，如银行+征信数据）。②场景：横向适合同行业跨机构；纵向适合跨行业互补。③训练：横向常用FedAvg聚合；纵向需对齐样本ID后协同。3.常用隐私保护技术：①同态加密：密文直接运算；②差分隐私：添加噪声（ε控制强度）；③安全多方计算（MPC）：多方联合计算无完整数据；④本地差分隐私（LDP）：本地加噪后上传；⑤梯度压缩+加密：减少传输量同时保护隐私。4.FedAvg算法流程：①服务器初始化全局模型；②广播模型至部分客户端；③客户端本地训练，计算梯度/更新；④上传本地更新至服务器；⑤服务器聚合（如平均）得到新全局模型；⑥重复迭代直至收敛。六、讨论题答案1.医疗领域应用挑战：①数据异质性：不同医院设备、格式差异大，对齐难；②隐私合规：需满足HIPAA/GDPR等严格要求；③通信开销：医疗数据量大，传输成本高；④模型波动：不同医院数据分布差异导致聚合性能不稳定；⑤参与方协调：多医院利益分配、技术标准统