AI 方法論知識地圖 · 治理與倫理
聯邦學習
資料不出本地
觀念教學
資料不能出門,那就讓模型去旅行 — 聯邦學習把「集中資料訓練」翻轉成「分散訓練、集中智慧」。
核心觀念
聯邦學習(Federated Learning)讓多台裝置或多個機構在不交換原始資料的情況下共同訓練模型:各方在本地用自己的資料訓練,只傳遞模型更新(梯度或權重),中央伺服器彙整成全域模型再發回。資料留在本地,智慧集中共享。
白話理解
跨國醫療研究要建疾病預測模型,但各國法規限制病歷不得出境:各醫院在自家機房訓練,只交模型參數,誰的病歷都沒離開醫院,全域模型卻學到所有醫院的經驗。手機輸入法的下一字預測同款 — 打字紀錄不上傳,模型照樣變聰明。
關鍵細節與代價
- 通訊成本:每輪都要傳模型更新,參與方多、模型大時非常可觀,是聯邦學習的主要瓶頸
- 收斂速度:各地資料分布不均(Non-IID)會拖慢收斂、讓模型效能打折
- 隱私不是全自動:模型更新仍可能被反推,實務常再疊差分隱私或安全聚合
- 適用場景:跨機構(醫院、銀行)與跨裝置(手機、IoT)
🎯 口訣:資料不動、模型動;交作業,不交課本。
iPAS 考點
判斷關鍵字:「資料無法集中/不得離開本地/分散各部門仍要共同訓練」→ 聯邦學習,跨國醫療與跨部門敏感文本的真題都是這個方向。經典陷阱:若題目說資料可以集中於安全環境,但要求「處於加密狀態仍能完成模型計算」→ 答案是同態加密,不是聯邦學習。分辨點就兩個:資料動不動、要不要加密運算。
📝 本節掛載 3 題 iPAS 歷屆試題 — 讀完往下到「iPAS 考題練習」直接實戰。
應用場景
評估指標
iPAS 歷屆考題詳解(4 題)
先自行作答,再展開詳解。題目出處均為 iPAS AI 應用規劃師正式考題,著作權屬原主辦單位。
跨國醫療研究機構希望建立疾病預測模型，但各國法規限制資料無法集中，下列哪種技術最適合在不移動原始資料的情況下進行模型訓練？
- A資料匿名化
- B差分隱私
- C聯邦學習
- D交叉驗證
看正解與逐選項詳解
正解:C
企業在導入生成式 AI 平台時，若需利用分散於不同部門或機構中的大量敏感文本資料，希望在確保隱私前提下仍能讓模型持續優化並降低資料外洩風險，下列哪一種方法最適合？
- A同態加密（Homomorphic Encryption）
- B安全多方計算（Secure Multi-party Computation）
- C零知識證明（Zero-knowledge Proofs）
- D聯邦學習（Federated Learning）
看正解與逐選項詳解
正解:D
某企業希望利用含敏感資訊的資料進行 AI 模型訓練,但政策要求原始資料不得外洩,且資料可集中於安全環境中處理。同時,企業希望在資料使用過程中,即使資料處於加密狀態,仍能完成模型計算。在此需求下,下列哪一種技術最為適合?
- A聯邦學習(Federated Learning)
- B同態加密(Homomorphic Encryption)
- C零知識證明(Zero-knowledge Proof)
- D資料匿名化(Data Anonymization)
看正解與逐選項詳解
正解:B
某醫院計劃建立混合雲AI平台：使用公有雲 GPU 叢集進行CT 影像模型訓練，但基於HIPAA（Health Insurance Portability and Accountability Act）法規要求，患者影像原始資料不得離開醫院院內環境。下列何者最符合「利用公有雲算力訓練模型」與「不傳輸原始患者資料」雙重限制的技術方案？
- A將患者影像資料以 AES-256 加密後上傳至公有雲，並於雲端解密後進行模型訓練
- B在院內部署同態加密（Homomorphic Encryption）模組，對推論請求進行加密處理
- C採用聯邦學習（Federated Learning）於院內訓練模型，僅傳送模型更新至雲端聚合，原始資料不外流
- D建立專線 VPN連接醫院與雲端，以網路層安全保護資料傳輸
看正解與逐選項詳解
正解:C