update

_includes/about.html

@@ -32,11 +32,11 @@
 
 		<p style="font-size:17px">
 
-			 在此背景下，人们迫切希望有一种技术，能够有效解决数据安全与开放共享矛盾。联邦学习（Federated Learning, FL）作为隐私增强计算与人工智能相结合的新型技术范式，成为了解决数据安全与开放共享矛盾的一个重要技术路径。自联邦学习提出以来，联邦学习取得了快速的进展，不管在工业界还是学术界都取得了令人印象深刻的成果。但随着联邦学习的发展，传统联邦学习的概念也存在一些模糊和不足的地方，例如概念定义过于宽泛，尤其是在安全性层面，导致部分用户在使用过程中，会将联邦学习与分布式机器学习等价起来；在应用落地的过程中，安全、性能和效率的平衡考量越发重要，但传统联邦学习没有体现出这一点。
+			 在此背景下，人们迫切希望有一种技术，能够有效解决数据安全与开放共享矛盾。<strong>联邦学习（Federated Learning, FL）</strong>作为隐私增强计算与人工智能相结合的新型技术范式，成为了解决数据安全与开放共享矛盾的一个重要技术路径。自联邦学习提出以来，联邦学习取得了快速的进展，不管在工业界还是学术界都取得了令人印象深刻的成果。但随着联邦学习的发展，传统联邦学习的概念也存在一些模糊和不足的地方，例如概念定义过于宽泛，尤其是在安全性层面，导致部分用户在使用过程中，会将联邦学习与分布式机器学习等价起来；在应用落地的过程中，安全、性能和效率的平衡考量越发重要，但传统联邦学习没有体现出这一点。
         </p>
 
 		<p style="font-size:17px">
-            为此研究人员对联邦学习的概念和定义进行了不断的完善，提出了可信联邦学习 (Trustworthy Federated Learning，TFL) ，具体来说可信联邦学习是一种增强型的联邦学习，它除了保证原始数据的隐私安全和模型的可证安全，还保证学习过程的高效率和模型的可用性，模型决策机制的可解释性、及模型的可溯源和审计监管。
+            为此研究人员对联邦学习的概念和定义进行了不断的完善，提出了<strong>可信联邦学习 (Trustworthy Federated Learning，TFL)</strong> ，具体来说可信联邦学习是一种增强型的联邦学习，它除了保证原始数据的隐私安全和模型的可证安全，还保证学习过程的高效率和模型的可用性，模型决策机制的可解释性、及模型的可溯源和审计监管。
         </p>
 
         <p style="font-size:17px">