标签： #差分隐私

券商、私募、银行理财子各自握着一批选股数据，但监管与商业壁垒让它们无法把数据池到一起。联邦学习(Federated Learning)让多方只交换模型参数、不交换原始样本，就能联合训练一个比各自单打独斗更准的选股模型。本文用 numpy 从零实现 FedAvg，在受控 non-IID 数据上证明：FedAvg 的全局测试准确率 0.891，逼近集中池化的 0.893，却把纯本地不共享的 0.778 甩开 11 个百分点；并诚实给出差分隐私的精度代价与三条实战红线。附完整 Python 与四张真实计算图。

银行、基金谁都不肯交原始数据。联邦学习让数据不动、模型动：numpy 手写 FedAvg，在 6 家 non-IID 机构上几乎追平集中式，覆盖差分隐私效用权衡、non-IID 退化与模型投毒三大真实陷阱。