iPAS 考題解析
一家跨國醫療研究機構希望利用各地醫院的病患資料，建立一個能夠預測疾病早期風險的機器學習模型。由於各國法規限制，病患的原始資料無法集中到單一伺服器。在此情境下，下列哪一種方法最能同時滿足「各醫院保留資料不外流」與「模型仍能跨院學習」的需求？
初級 人工智慧基礎概論
難度：中等 ★★☆
考試範圍定位
- 考試等級
- 初級能力鑑定
- 考試科目
- 人工智慧基礎概論
- 知識主題
- 機器學習概念
- 能力指標
- 機器學習基本原理（L11301）
本題屬於 iPAS AI 應用規劃師初級能力鑑定「人工智慧基礎概論」科目中的「機器學習概念」範疇， 對應的能力指標為「機器學習基本原理」，涵蓋模型訓練與泛化機制等核心知識點。 考生在準備這個範疇時，需要掌握相關的理論基礎與實務應用。
題目與選項
一家跨國醫療研究機構希望利用各地醫院的病患資料，建立一個能夠預測疾病早期風險的機器學習模型。由於各國法規限制，病患的原始資料無法集中到單一伺服器。在此情境下，下列哪一種方法最能同時滿足「各醫院保留資料不外流」與「模型仍能跨院學習」的需求？
- A. 資料匿名化（Data Anonymization）；
- B. 差分隱私（Differential Privacy）；
- C. 聯邦學習（Federated Learning）； ✓ 正確答案
- D. 交叉驗證（Cross-validation）
詳細解析
正確答案：C. 聯邦學習（Federated Learning）；
聯邦學習（Federated Learning）讓各醫院在本地訓練模型，只分享模型參數（Model Parameters）而非原始資料，同時滿足資料不外流與跨院學習。
各選項逐一解析
理解每個選項為什麼對或錯，是真正掌握這個知識點的關鍵。以下逐一分析每個選項的含義與判斷依據。
A. 資料匿名化（Data Anonymization）； （不正確）
資料匿名化（Data Anonymization）仍需集中資料，不能滿足不外流的需求
B. 差分隱私（Differential Privacy）； （不正確）
差分隱私（Differential Privacy）是在資料中加噪音保護隱私，但通常仍需集中資料
D. 交叉驗證（Cross-validation） （不正確）
交叉驗證（Cross-validation）是模型評估方法，不涉及資料隱私或跨機構學習
延伸學習
本題尚未連結特定術語，你可以從以下常見主題開始探索相關知識。
中等題備考建議
- ▶ 本題屬於中等難度，需要理解概念之間的關聯與應用情境，不能只靠死背定義。
- ▶ 中等難度的題目常考「為什麼」和「怎麼用」，建議整理各技術的優缺點比較表。
- ▶ 練習時注意錯誤選項的陷阱設計，很多時候錯誤選項只有一兩個字的差異，需要仔細辨別。
- ▶ 建議用「費曼學習法」，嘗試向別人解釋這道題的解題思路，能講清楚就代表真正理解了。
同主題考題練習
以下題目與本題屬於相同的考試範疇，建議一併練習以加強對該主題的掌握程度。
iPAS AI 應用規劃師認證簡介
iPAS AI 應用規劃師能力鑑定是經濟部產業發展署推動的國家級 AI 證照制度， 分為「初級」與「中級」兩個等級。初級考試包含「人工智慧基礎概論」和「生成式 AI 應用與規劃」兩個科目， 著重基本概念的理解與應用。中級考試涵蓋「AI 技術應用與規劃」「大數據處理分析與應用」「機器學習技術與應用」三個科目， 要求考生具備更深入的技術知識與實務能力。 本題來自初級考試範圍，適合正在準備初級認證的考生練習。
開始準備 iPAS 考試
本題來自 iPAS AI 應用規劃師初級考試。 想通過 iPAS 認證？從完整題庫練習開始，搭配術語詞典與備考攻略，系統化提升你的 AI 知識。