联邦学习（FederatedLearning）的核心优势是（）A. 降低硬件成本B. 支持多模态输入C. 提升模型准确率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。该技术允许多个设备或机构在不共享原始数据的情况下联合训练模型，通过加密的模型参数更新实现协作。关键点在于：

1. 数据不出本地：参与方仅交换加密后的模型更新，原始数据无需上传。
2. 隐私保护：避免数据泄露风险，尤其适用于金融、医疗等对隐私要求高的场景。
3. 去中心化：无需集中存储数据，符合数据安全法规（如GDPR）。

其他选项中，降低硬件成本（A）并非核心目标，多模态输入（B）与技术机制无关，模型准确率（C）是可能收益而非主要目的。

选项分析

• A. 降低硬件成本
  联邦学习通常需要协调多设备通信，可能增加计算或通信成本，而非直接降低硬件投入。
• B. 支持多模态输入
  多模态能力由模型设计决定，与联邦学习的协作机制无关。
• C. 提升模型准确率
  联邦学习通过整合更多数据可能提升性能，但准确率并非其核心目标，且依赖具体应用场景。
• D. 保护数据隐私
  联邦学习的核心设计目标是隐私保护，通过局部训练和加密通信确保数据安全，这是其区别于传统集中式学习的关键优势。