创新及产品管理能力建设项目 – 第 27 页 – 联合国创新及产品管理能力建设项目(UNSDGT)

什么是模型量化格式？

模型量化格式是指深度学习模型经过量化处理后所采用的标准化表示方式，量化过程通过降低模型权重和激活值的数值精度（如从32位浮点数缩减到8位整数），以显著减小模型体积、加速推理速度并降低计算功耗，同时力求在可接受的精度损失范围内维持模型性能。 […]

数据共享协议（Data Sharing Agreement）是指两个或多个实体之间就数据的共享、使用和管理所达成的正式约定，它明确规定了数据的提供方、接收方、共享范围、使用目的、安全措施、隐私保护、知识产权归属以及法律责任等条款，旨在确保数 […]

联邦平均（Federated Averaging, FedAvg）是一种分布式机器学习算法，专为联邦学习框架设计，它允许多个客户端（如移动设备或边缘节点）在本地数据集上独立训练模型，而无需共享原始数据；每个客户端仅将模型参数更新（例如权重变 […]

多方安全计算（Multi-Party Computation, MPC）是一种密码学协议，允许多个参与方在不泄露各自私有输入数据的前提下，共同计算一个函数的结果。每个参与方仅提供输入信息，计算过程通过加密机制确保输入隐私，最终仅输出计算结果 […]

模型韧性（Model Resilience）是指机器学习模型在面对数据分布变化、噪声干扰、对抗性攻击或未知环境时，能够维持其预测准确性和稳定性的能力。这种韧性强调模型在非理想条件下的鲁棒性和适应性，是衡量模型在实际部署中可靠性的核心指标，它 […]

BFloat16（Brain Floating Point 16-bit）是一种由Google开发的16位浮点数格式，专为深度学习优化设计。它保留了32位浮点数（FP32）的动态范围，同时将位宽减半，从而在训练和推理过程中减少内存占用和计算 […]

INT8量化是一种深度学习模型优化技术，通过将神经网络的权重和激活值从高精度浮点数（如32位浮点FP32）转换为8位整数（INT8）表示，从而显著减小模型体积、降低内存占用并加速推理计算。这种转换通常在模型训练后实施，采用量化感知训练或后训 […]

LLM在边缘设备上的推理（LLM Inference on Edge Devices）指的是将大型语言模型（Large Language Model，LLM）的预测或生成过程直接部署在靠近数据源的边缘设备上执行。这些设备包括智能手机、物联网 […]

数据联盟（Data Consortium）是指多个独立组织（如企业、研究机构或政府部门）通过正式协议联合共享数据资源，以共同解决特定问题或开发人工智能模型的协作机制。这种联盟建立在严格的数据治理框架上，确保在保护数据隐私、安全和合规性的前提 […]

联邦蒸馏（Federated Distillation）是一种融合联邦学习和知识蒸馏技术的分布式机器学习方法，旨在保护数据隐私并优化模型性能。在联邦蒸馏框架中，多个客户端设备（如手机或物联网设备）在本地训练模型，而无需共享原始数据；然后，通 […]