集中式学习 vs 联邦学习 vs 无数据融合

画一张对比图，比较三种学习范式在遥感大模型协作中的差异。整图与全部文字必须使用中文，不得出现英文。

横向三栏布局，每栏顶部为一个圆角彩色标签作为范式名：

栏一：集中式学习（深蓝）
- 数据流向：所有遥感数据汇集至中心服务器
- 一句话定义："数据向模型靠拢"
- 模式示意：多个数据源 → 中心服务器（用云图标）→ 大模型
- 隐私强度：弱（用一个红色破锁图标）
- 通信开销：高（用三条粗箭头）

栏二：联邦学习（青绿）
- 数据流向：模型参数在边缘节点之间交互，原始数据不出域
- 一句话定义："模型向数据靠拢"
- 模式示意：多个边缘节点（每个含一个小数据库图标）↔ 中心节点
- 隐私强度：中（用一个橙色锁图标）
- 通信开销：中（用两条中粗箭头）

栏三：无数据融合（橙黄）
- 数据流向：仅在训练后参数空间合并多个预训练模型
- 一句话定义："模型与模型直接对话"
- 模式示意：多个预训练模型直接合并 → 集成大模型，无中心数据，无原始数据传输
- 隐私强度：强（用一个绿色完整锁图标）
- 通信开销：低（用一条细箭头）

底部：一行总结
"集中式：基础底座构建 / 联邦：隐私协同训练 / 无数据：敏捷任务适配"

视觉风格：
- 浅灰背景，三栏白底
- 论文配图风格，简洁不花哨
- 字体清晰准确不得有错别字
- 不要使用三种以上颜色（除指定的三色之外）