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？

解析

正確答案：C. 聯邦學習（Federated Learning）；

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。

每個選項為什麼對或錯

• A 資料匿名化（Data Anonymization）； 錯誤選項

  資料匿名化仍需集中資料，無法滿足「資料不外流」的嚴格要求。

• B 差分隱私（Differential Privacy）； 錯誤選項

  差分隱私是在資料或模型輸出中加入噪音的技術，不直接解決資料不能集中的問題。

• C 聯邦學習（Federated Learning）； 正解

  聯邦學習讓各醫院在本地訓練，只交換模型參數，完美滿足資料不外流和跨院學習兩個需求。

• D 交叉驗證（Cross-validation） 錯誤選項

  交叉驗證是模型評估方法，不解決跨機構資料協作的問題。

答案、題目或解析有問題？回報這題

題目 © 經濟部產業發展署，AITerms.tw 僅作教學解析使用，本站解析以 CC BY-NC-SA 4.0 授權。