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

联邦学习（Federated Learning）的核心优势在于数据隐私保护。传统机器学习需要将数据集中存储和处理，存在隐私泄露风险。而联邦学习通过分散数据处理，让各参与方在本地训练模型，仅上传模型参数（如权重更新）到中心服务器进行聚合，从而避免原始数据的共享，有效保护数据隐私。

选项分析

选项A：提升模型准确率

• 联邦学习通过多数据源协作可能提升模型泛化能力，但模型准确率还依赖数据质量、算法设计等因素，并非核心优势。

选项B：降低硬件成本

• 联邦学习需要协调多设备通信和计算，可能增加通信成本，与硬件成本无直接关联。

选项C：支持多模态输入

• 多模态输入属于模型架构设计范畴，与联邦学习的分布式协作机制无关。

选项D：保护数据隐私

• 联邦学习的核心机制是数据不出本地，仅传输加密后的模型参数，彻底避免原始数据泄露，直接解决隐私保护问题。