专业翻译与文本优化

翻译结果

原文： 摘要：我们提出一种面向隐私保护的联邦学习优化方法，在不共享原始数据的前提下，通过自适应裁剪与差分隐私噪声注入，降低通信开销并提升全局模型的泛化能力。方法在多中心医疗影像与金融交易两类场景进行验证，分别包含8与12个参与方，数据分布高度非独立同分布。我们将所提算法与FedAvg、FedProx等基线进行对比，主要指标包括AUC、F1与通信轮次。结果显示，在相同隐私预算(ε=2)下，我们方法在三组公开数据集上平均AUC提升2.7%，同时将通信轮次减少35%。为了进行统计显著性分析，我们采用5次重复实验并报告95%置信区间。最后，我们公开了实现细节与消融实验，证明自适应裁剪对收敛稳定性与鲁棒性均有显著贡献。

译文： Résumé — Nous proposons une méthode d’optimisation de l’apprentissage fédéré axée sur la protection de la vie privée qui, sans partage des données brutes, réduit les coûts de communication et améliore la capacité de généralisation du modèle global au moyen d’un tronquage adaptatif et d’une injection de bruit conforme à la confidentialité différentielle. La méthode est validée dans deux scénarios — imagerie médicale multicentrique et transactions financières — impliquant respectivement 8 et 12 participants, avec des distributions de données fortement non indépendantes et non identiquement distribuées (non‑IID). Nous comparons l’algorithme proposé à des bases de référence telles que FedAvg et FedProx ; les principaux indicateurs incluent l’AUC, le score F1 et le nombre de tours de communication. Les résultats montrent qu’à budget de confidentialité identique (ε = 2), notre méthode obtient, sur trois jeux de données publics, une augmentation moyenne de l’AUC de 2,7 %, tout en réduisant le nombre de tours de communication de 35 %. Pour l’analyse de la significativité statistique, nous réalisons cinq répétitions et rapportons l’intervalle de confiance à 95 %. Enfin, nous rendons publics les détails de mise en œuvre et des expériences d’ablation, démontrant que le tronquage adaptatif apporte une contribution significative à la stabilité de la convergence et à la robustesse.

优化说明

• 术语统一与学术化表达：将“联邦学习”译为“apprentissage fédéré”，“自适应裁剪”译为“tronquage adaptatif”，“差分隐私噪声注入”译为“injection de bruit conforme à la confidentialité différentielle”，与常见法文学术用法一致。
• 指标与符号规范化：保留“AUC”“score F1”等国际通用缩略语；“ε = 2”按法语排版规范处理；百分数采用法语小数逗号与空格（2,7 %，35 %）。
• 结构与连贯性：保持原文信息顺序与逻辑，适度调整句式使法语表述更为流畅（如通过破折号引入两个应用场景）。
• 风格一致：全篇采用正式、客观的学术风格，避免口语化表达，同时确保不增删实质性信息。

注意事项

• “non‑IID”作为领域通用缩写予以保留，并给出法语释义以便读者理解。
• 未将“裁剪”具体限定为“梯度裁剪”，以避免超出原文信息范围；如需更精确限定，可在全文中依据上下文统一说明。
• 百分比与置信区间等统计表述遵循法语书写规范，确保学术论文的一致性与可读性。

翻译结果

原文： 目的：指导移动应用集成离线可用的语音转写SDK，以获得低延迟、可本地运行的识别能力。

系统要求：Android 9+，ARM64，最小内存2GB；允许麦克风与本地存储权限。

集成步骤：

1. 在控制台创建项目并下载模型包(model.bin，约120MB)；
2. 将AAR加入依赖，并在Application中初始化；
3. 首次启动时校验签名与许可证，有效期可离线缓存72小时；
4. 调用Transcriber.start(language='zh', sampleRate=16000, vad=true)。

参数说明：

• language：'zh'、'en'、'de'；
• sampleRate：8000或16000，建议16000；
• vad：启用端点检测以降低空白段开销。

错误码：

• 1001 参数非法；
• 2003 许可证过期；
• 3002 设备不支持NEON。

诊断与性能：离线模型平均延迟120ms/秒音频，词错率在通用中文集上为6.8%；开启量化后体积降至58MB，延迟下降18%，精度下降0.4个百分点。

合规与隐私：默认不上传音频，启用日志脱敏；仅在用户同意时收集崩溃信息用于改进稳定性。

译文： Zweck: Anleitung zur Integration eines offline nutzbaren Sprachtranskriptions-SDKs in mobile Anwendungen, um eine lokal ausführbare Erkennung mit niedriger Latenz zu ermöglichen.

Systemanforderungen: Android 9 oder höher, ARM64, mindestens 2 GB RAM; Berechtigungen für Mikrofon und lokalen Speicher müssen zugelassen werden.

Integrationsschritte:

1. Projekt in der Konsole erstellen und das Modellpaket herunterladen (model.bin, ca. 120 MB);
2. Die AAR als Abhängigkeit einbinden und in der Application-Klasse initialisieren;
3. Beim ersten Start Signatur und Lizenz prüfen; die Gültigkeit kann 72 Stunden offline zwischengespeichert werden;
4. Transcriber.start(language='zh', sampleRate=16000, vad=true) aufrufen.

Parameterbeschreibung:

• language: 'zh', 'en', 'de';
• sampleRate: 8000 oder 16000, empfohlen 16000;
• vad: Aktiviert die Sprachaktivitätserkennung (VAD), um den Overhead durch Stilleabschnitte zu verringern.

Fehlercodes:

• 1001 Ungültige Parameter;
• 2003 Lizenz abgelaufen;
• 3002 Gerät unterstützt NEON nicht.

Diagnose und Performance: Das Offline-Modell erreicht eine durchschnittliche Latenz von 120 ms pro Sekunde Audio; die Wortfehlerrate auf einem allgemeinen Chinesisch-Datensatz beträgt 6,8 %. Mit aktivierter Quantisierung sinkt die Modellgröße auf 58 MB, die Latenz verringert sich um 18 %, die Genauigkeit nimmt um 0,4 Prozentpunkte ab.

Compliance und Datenschutz: Standardmäßig werden keine Audiodaten hochgeladen und Logdaten anonymisiert; Absturzinformationen werden nur mit Zustimmung der Nutzer erfasst, um die Stabilität zu verbessern.

优化说明

• 采用德语技术文体，术语统一为「Sprachtranskription」「Latenz」「Wortfehlerrate」等，保证专业性与一致性。
• 保留代码与参数名（AAR、Application、Transcriber.start、language/sampleRate/vad）原样呈现，避免歧义。
• 数字与单位按德语书写规范处理：空格分隔单位，使用逗号作为小数点，百分号前保留空格。
• 将列表与步骤结构化，突出集成流程与参数说明，提升可读性。
• 将“端点检测”与参数“vad”对应为“Sprachaktivitätserkennung (VAD)”，符合行业惯例表达。

注意事项

• Android/SDK 相关专有名词（AAR、Application、NEON、ARM64、model.bin）按惯例保留英文，以确保与开发环境一致。
• 小数与百分比已按德语规范本地化（如 6,8 %、0,4 Prozentpunkte），数值本身未做改动。
• 权限与合规模块为直译并轻度规范化表达，未增加任何超出原文的信息。