10.1 数据管线：采集、标注、清洗、平衡

在机器学习系统工程中，数据管线（Data Pipeline）是决定模型性能上限的基础设施。其目标是为模型训练提供持续、高质量、无偏的数据流。本节将重点推导数据平衡（Data Balancing）中的核心理论：代价敏感学习（Cost-Sensitive Learning）。

10.1.1 数据不平衡的数学表述

10.1.2 代价敏感学习 (Cost-Sensitive Learning)

10.2 模型选择与资源/延迟权衡

模型选择不仅要考虑精度（Accuracy），还必须权衡推理延迟（Latency）、计算资源（FLOPs）和内存占用（Memory）。本节推导两种实现高效推理的核心技术：模型量化和知识蒸馏。

10.2.1 模型量化 (Quantization)

10.2.2 知识蒸馏 (Knowledge Distillation)

10.3 域适配与迁移学习

10.3.1 域适配的理论边界

10.3.2 域对抗神经网络 (DANN)

---

10.4 联邦学习与隐私保护实践

联邦学习 (Federated Learning, FL) 是一种分布式机器学习范式，其核心是“数据不动，模型动”，以在保护数据隐私（数据不出本地）的前提下，协同训练全局模型。

10.4.1 联邦平均 (Federated Averaging, FedAvg) 算法