文档摘要

7.1 MPC 与联邦学习：两条路线正面比较 本节摘要：联邦学习让数据不动、梯度动，MPC 让原始输入根本不进入任何单方视野。两者不是竞品：联邦学习的梯度聚合正是泄露点，MPC 是给这个环节加密的趁手工具。本节用信息流对照讲清泄露面差异，给出三种混合架构与选型判据。 核心概念 先各自陈述主张。联邦学习（FL）：各方在本地训练，只把模型参数或梯度上传到聚合服务器，服务器加权平均后下发。 会员。《7.1 MPC 与联邦学习：两条路线正面比较》收录于灏天文库文集《安全多方计算 (MPC) 入门与实践》，原作者/来源：灏天文库，整理自「灏天文库」，提供技术教程、实践指南与问题解决方案，支持在线阅读、全文检索与知识沉淀，助力开发者系统化学习。本站整理收录，版权归原作者/开源协议所有。

该文档为会员专享，请先登录或注册后再查看

登录 注册

---

作者与出处

原作者： 灏天文库

来源：灏天文库

原文： https://aiknowledge.cn/collection/535-%E5%AE%89%E5%85%A8%E5%A4%9A%E6%96%B9%E8%AE%A1%E7%AE%97-mpc-%E5%85%A5%E9%97%A8%E4%B8%8E%E5%AE%9E%E8%B7%B5

整理： 灏天文库整理

由灏天文库平台收录，内容或由平台用户上传，仅供学习交流