联邦学习是一种机器学习方法，它允许多个设备或服务器协作训练模型，而无需共享原始数据。每个参与者（例如，智能手机、物联网设备或医院服务器）使用自己的数据训练本地模型，而不是将数据集中在一个位置。中央服务器通过分发初始模型、收集参与者的更新并将它们聚合到改进的全局模型中来协调该过程。例如，智能手机键盘应用程序可以使用联邦学习来改进单词预测：每个设备都根据本地键入数据进行训练，仅发送模型更新（而不是实际文本），并且服务器将这些更新组合以完善共享模型。
该过程分轮进行。首先，服务器选择设备子集并将当前全局模型发送给它们。每个设备都使用其数据在本地训练模型，计算更新（例如，神经网络中的梯度调整），并将这些更新发送回服务器。然后，服务器聚合这些更新（通常通过对它们进行平均）以创建一个新的全局模型。挑战包括处理不均匀的数据分布（例如，一个设备可能主要有猫的图像，而另一个设备有狗的图像）和设备可用性（某些设备在训练期间可能处于离线状态）。为了解决隐私问题，可以应用安全聚合（在更新离开设备之前对其进行加密）或差分隐私（向更新添加噪声）等技术。例如，医疗保健项目可以使用安全聚合来组合来自医院的模型更新，而无需暴露患者的特定数据。
实施联邦学习的开发人员需要考虑通信效率、模型兼容性和鲁棒性。 TensorFlow Federated 或带有 Flower 的 PyTorch 等框架提供了管理设备选择、更新聚合和加密的工具。一个实际的例子是跨银行训练欺诈检测模型：每家银行都根据其交易数据进行训练，并且全局模型得到改进，而无需暴露敏感的财务详细信息。关键的权衡包括平衡更新频率（更多轮次可以提高准确性，但会增加通信成本）和处理设备异构性（不同的硬件能力或数据大小）。通过专注于高效的更新压缩（例如，减少模型参数大小）和容错（处理训练中掉线的设备），开发人员可以构建在保持模型性能的同时保护隐私的系统。