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？
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？
- 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
聯邦學習（Federated Learning）允許各機構在本地訓練模型，只共享模型參數（而非原始資料），由中央伺服器聚合各方的模型更新。這樣既能保護各醫院的病患隱私，又能實現跨機構的協作學習。
出題年份：114 難度：★★☆