例如神经网络的层参数（如卷积核权重、全连接层偏差）。以图像分类模型为例，本地训练时客户端通过反向传播更新这些参数，仅将更新后的参数上传至服务器。：从横向联邦（数据特征重叠、样本不同）扩展到纵向联邦（样本重叠、特征不同）和联邦迁移学习，应用领域从金融、医疗扩展到物联网等。：医院A本地训练癌症检测模型，参数是卷积核的权重。：开源框架（如FATE、TensorFlow Federated）和行业标准（如

参与方（如手机、医院、企业）的原始数据始终保留在本地，仅上传模型参数（如梯度、权重）至中央服务器，避免直接暴露敏感信息。梯度（一种参数更新）是损失函数对参数的偏导数，其计算依赖于批量数据（Batch），但单个梯度仅反映。：在神经网络中，参数是每一层神经元的权重（Weight）和偏置（Bias）。：模型参数是机器学习模型在训练过程中学习的内部变量，决定了模型的预测行为。（样本重叠）：需解决特征对齐时

共识机制是区块链节点对账本状态达成一致的算法，解决分布式系统中的。

攻击者（如内部人员或黑客）通过故意让模型将良性肿瘤误判为恶性，导致医院对健康人实施不必要的昂贵治疗（如手术、化疗）。某医疗AI公司可能伪装成合作医院，在联合训练中注入标签翻转攻击，使竞争对手的模型性能下降，迫使其退出市场或声誉受损。政府或组织可能通过标签翻转人为“制造”疫情（如将普通肺炎CT标记为“新型传染病”），引发恐慌或资源调配混乱。恶意保险公司可篡改模型，将高风险患者（如癌症早期）标签翻转为

确保所有参与客户端是可信的（如通过身份认证）。

联邦学习（Federated Learning）是一种分布式机器学习框架，允许各参与方在本地训练模型，仅共享模型参数更新，从而避免数据直接传输。而。

传统图像分割方法主要包括阈值分割和边缘检测。阈值分割通过设置灰度阈值分离目标与背景，包括固定阈值、迭代阈值、大津法和自适应阈值等方法，但易受光照不均影响。边缘检测算法如Canny通过梯度变化识别目标边界，结合非最大值抑制和双阈值策略提高精度，能有效提取单像素宽边缘并减少噪声干扰。Canny算法包含去噪、梯度计算、非最大值抑制和滞后阈值化四个步骤，具有高精度、抗噪能力和弱边缘检测优势，适用于目标定位

共识机制是区块链节点对账本状态达成一致的算法，解决分布式系统中的。

应该如何学习联邦学习和差分隐私

横向联邦学习、纵向联邦学习与联邦迁移学习是联邦学习的三大主要分支，它们的核心区别在于数据分布特征和参与方的数据重叠关系