联邦学习（FederatedLearning）的核心优势是（）A. 支持多模态输入B. 保护数据隐私[1]C. 降低硬件成本D. 提升模型准确率

联邦学习（Federated Learning） 是一种分布式机器学习框架，其核心目标是在不共享原始数据的情况下，联合多个设备或机构的模型参数。本题考查对联邦学习核心优势的理解。关键在于明确联邦学习与其他技术（如传统分布式学习）的区别，数据隐私保护是其最突出的特点，而其他选项如多模态输入、硬件成本、模型准确率并非其直接优势。

选项分析

A. 支持多模态输入

多模态输入（如文本、图像、音频等）是机器学习的通用能力，与联邦学习的框架无关。联邦学习关注的是数据分布式的模型训练，而非输入数据的类型。

B. 保护数据隐私

正确答案。联邦学习通过本地数据加密计算、仅上传模型参数更新的方式，确保原始数据不出本地，从而保护隐私。这是联邦学习区别于传统集中式学习的核心优势。

C. 降低硬件成本

联邦学习通常需要协调分布式设备的计算资源，硬件成本可能因场景不同而变化。例如，边缘设备的计算能力有限，可能需要更高成本的服务器支持，因此硬件成本并非其直接优势。

D. 提升模型准确率

模型准确率受数据质量和多样性影响。联邦学习通过联合训练提升模型泛化能力，但准确率并非其核心目标，且可能因数据异质性（不同设备数据分布差异）下降。