由于日趋严格的隐私保护政策，各种隐私保护算法被提出。联邦学习能够在保护用户隐私不被泄露的情形下，运行各种机器学习算法。介绍了在不同场景下适用的联邦学习框架，并以逻辑回归为例介绍了纵向联邦学习的几种常用实现方式；此外，对各种实现方式的优缺点及适用场景进行了分析。
随着数字化时代的来临，大数据、人工智能等精尖技术进入了高速发展阶段。然而,对一些行业而言，存在数据样本量少、特征少、标注信息缺失、数据质量差等问题，同时由于相同行业不同企业间的竞争以及同一企业中不同业务条线、业务系统间的阻隔性等情况，难以实现有效的数据信息交流与整合，易造成“数据孤岛”现象，这使大数据、人工智能相关技术难以发挥出预期的应用效果。
横向联邦学习（Horizontal Federated Learning）[1][2]也称按样本划分的联邦学习，可以应用于联邦学习各参与方的数据集有重叠的特征空间和不同的数据样本的场景。举例来说，两个地区的通信运营商在各地有自己的用户群体，他们之间的用户交集非常小，因此他们的数据集中有不同的样本ID，但他们的业务非常相似，因此他们之间的特征空间是相同的。联合进行横向联邦学习可以更好的构建套餐推荐等模型。
联邦学习在2016年由谷歌提出，因为Google有安卓系统，需要解决多个安卓设备的分布式建模问题。其中，主要是针对输入法的建模，比如客户在安卓输入法中输入单词“what”，或许他可能想继续输入“do you think”，Google输入法如果能自动联想出来，用户体验就会变得比较好，但是自动联想功能需要大量的用户数据才能学习出来，怎么获得这些用户数据呢？
近年来，人工智能技术处于高速发展期。然而，随着人工智能技术发展进入深水区，出现了越来越多的壁垒和难题，数据孤岛就是其中之一。在实际的应用落地场景中，很难实现企业与企业之间的数据共享，即使在同一个企业中，不同部门之间的数据共享也十分困难。因此，往往只有少数的大型互联网公司才拥有真正的「大数据」，大多数小微企业和中小型企业面临着数据量小、数据维度稀少等问题，这些问题严重制约着人工智能技术的发展。
讲到多方安全计算（MPC），就会提到姚氏百万富翁问题：有两个很有钱的富翁，他们想知道谁更有钱，他们又都不想让除己以外的任何人知道自己实际有多少钱（即不信任任何第三方）。这是一个典型的两方安全计算案例，需要在不分享原始数值的情况下，得出想要的结论。其中相关的技术包括：秘密分享，模糊传输，同态加密，混淆电路。
数据是人工智能时代的石油，但是由于监管法规和商业机密等因素限制，"数据孤岛"现象越来越明显。联邦学习（Federated Learning）是一种新的机器学习范式，它让多个参与者可以在不泄露明文数据的前提下，用多方的数据共同训练模型，实现数据可用不可见。
近年来，联邦学习作为解决数据孤岛问题的技术被广泛关注，已经开始被应用于金融、医疗健康以及智慧城市等领域。从3个层面系统阐述联邦学习算法。首先通过联邦学习的定义、架构、分类以及与传统分布式学习的对比来阐述联邦学习的概念；然后基于机器学习和深度学习对目前各类联邦学习算法进行分类比较和深入分析；最后分别从通信成本、客户端选择、聚合方式优化的角度对联邦学习优化算法进行分类，总结了联邦学习的研究现状，并提出了联邦学习面临的通信、系统异构、数据异构三大难题和解决方案，以及对未来的期望。
没有账户，需要注册
时序大模型是面向时间序列数据的基础大模型，以 Transformer 等架构为核心，通过在海量多领域时序数据上进行预训练，学习时间维度上的通用模式、周期规律与长距离依赖关系。区别于传统时序模型针对单一任务单独训练，时序大模型具备强大的迁移能力，只需少量样本微调或零样本提示，即可适配时序预测、异常检测、缺失值补全、时序分类等下游任务。在工业场景中，它能够直接处理传感器、设备测点产生的海量时序信号，挖掘设备状态演变规律，支撑设备故障预警、工况识别与生产趋势预判，为工业智能落地提供底层模型能力。如：中服云的CServerAIR
2025年，全球人工智能市场规模达到3909亿美元，中国人工智能核心产业规模突破9000亿元。AIAgent细分市场以49.6%的年复合增长率高速扩张，制造业应用大模型的企业比例在一年之内从9.6%跃升至47.5%。从2024年初，中国日均词元(Token)调用量为1000亿;至2025年底，跃升至100万亿;2026年3月，已突破140万亿，两年增长超千倍。这些数字背后，是一场深刻变革的加速到来-人工智能正在从"能力突破"走向“系统重构”。
中服云能碳管理系统依托中服云工业物联网底座打造，聚焦工业企业能耗管控与碳资产管理需求。 系统整合水、电、气、热等多类能源数据，实现用能实时采集、集中监测、智能分析。 依托数字化手段精准核算碳排放总量，助力企业摸清碳排底数、合规完成台账管理。 通过节能诊断、能耗优化策略推送，有效降低生产能耗与运营成本。 全方位赋能企业绿色低碳转型，筑牢安全生产与节能减排双重发展防线。
中服设备健康管理系统依托中服云工业物联网架构搭建，面向工业全品类设备运维场景。 融合实时数据采集、状态监测、故障诊断核心能力，全天候掌握设备运行动态。 通过边缘计算与 AI 算法分析设备隐患，实现从被动维修向预测性维护升级。 有效降低设备故障率、减少停机损失，简化线下运维管理流程。 助力工厂实现设备数字化管控，保障产线高效、稳定、安全运行。
《2026全球个人机器人行业研究报告：进入个人生活——个人机器人应用的场景与价值》。报告从品类定义、产业条件、拥有理由、生活场景、体验要求、用户参与、产品形态与企业路径等维度展开，希望越过参数、动作演示和单点功能的表层叙事，回到一个更重要的判断标准：机器人能否进入真实生活，并在持续使用中创造可靠、可负担、可控的个人价值
Vibe Coding的真正意义，不是让所有人都变成传统意义上的程序员，而是让更多人能够把场景知识转化为可运行的软件，也让专业开发者可以用新的方式实现工作。自然语言降低了表达意图的门槛，工具和Skil扩展了AI的执行能力，反馈与验证则决定结果是否可靠。未来会出现更多由个人和小团队创造的长尾软件，也会出现更严格的工程治理。但无论工具怎样 进步，选择解决什么问题、判断何时可以发布、决定系统使用范围和受众，这些关乎判断和责任的事，始终需要人来完成。
智能体治理是一项复杂的系统工程，需要政府、企业、学界、社会等多元主体协同参与。一是推动责任共担机制落地。明确基础能力提供者、技术支持者、产品分发者、服务运营者、使用者等各类主体的义务边界，推动供应链各环节的安全责任落实。鼓励行业组织制定自律公约和最佳实践指南，引导企业主动披露安全信息、参与协同治理。二是促进开放互联与公平竞争。
基于国产化软硬件技术栈，打造端到端全链路国产化、自主可控的信创云电脑解决方案，为企业用户提供高安全、高稳定性 高效便捷的信创云电脑服务，满足大中小企业、行业用户的国产化安全办公需求。
扫码咨询
或
客服咨询
用手机扫二维码
复制当前地址
方案库赚钱指南
