11.（2.0分）联邦学习（Federated Learning）主要解决哪方面的问题?A. 硬件成本B. 数据分散与隐私保护C. 算法复杂度D. 算力不足

本题考查联邦学习的主要应用场景和解决的问题。解题思路是明确联邦学习的核心概念和目标，然后分析每个选项与联邦学习的关联性。

• 选项A：硬件成本
  联邦学习主要关注的是数据和隐私方面的问题，而不是硬件成本。硬件成本通常涉及到服务器、存储设备等硬件设施的购置和维护费用，这与联邦学习的核心目标并无直接关联。所以选项A不符合。
• 选项B：数据分散与隐私保护
  联邦学习的核心思想是在不将数据集中到一个地方的情况下，让多个参与方共同训练模型。在现实世界中，数据往往分散在不同的机构、企业或个人手中，并且这些数据可能包含敏感信息，如个人隐私、商业机密等。联邦学习通过在本地设备上进行模型训练，只将模型的参数（如梯度）上传到中央服务器进行聚合，而不是原始数据，从而有效地保护了数据的隐私。同时，它也解决了数据分散导致的无法集中训练模型的问题。所以选项B符合。
• 选项C：算法复杂度
  联邦学习本身并没有直接解决算法复杂度的问题。算法复杂度主要涉及到算法的时间复杂度和空间复杂度，这与算法的设计和实现有关，而不是联邦学习的主要关注点。虽然在联邦学习中可能会使用一些复杂的算法，但这并不是联邦学习的核心目标。所以选项C不符合。
• 选项D：算力不足
  联邦学习主要是为了解决数据和隐私问题，而不是算力不足的问题。算力不足通常可以通过增加计算资源（如使用更强大的服务器、分布式计算等）来解决，这与联邦学习的核心思想不同。所以选项D不符合。