联邦学习中的个性化是指在保持联邦训练的隐私优势的同时，使全局机器学习模型更好地适应单个用户或设备的技术。在标准联邦学习中，共享模型在分散的设备上进行训练，而无需传输原始数据。但是，由于用户数据可能差异很大（例如，智能手机上的打字习惯与医院之间的医疗数据），因此单个全局模型对于特定用户可能表现不佳。个性化通过允许本地模型偏离全局模型以捕获其数据中的独特模式，同时仍然利用来自联邦的共享知识来解决此问题。
有几种技术方法可以实现个性化。一种常见的方法是本地微调，其中每个设备在从服务器接收更新后，在其自己的数据上进一步训练全局模型。例如，键盘应用程序可以使用在数百万用户中训练的全局语言模型，但在本地对其进行微调以适应用户频繁使用的俚语或错别字。另一种方法是元学习，其中对全局模型进行预训练，使其易于适应。诸如 MAML（与模型无关的元学习）之类的技术优化了全局模型，以便一些本地训练步骤可以有效地对其进行个性化。或者，多任务学习框架将每个用户的适应视为一项相关任务，从而学习具有用户特定参数的共享基础模型。例如，医疗保健应用程序可能会训练一个共享的特征提取器，但允许医院为其患者人群定制预测层。
实施细节取决于平衡个性化和泛化。在像 FedPer 这样的框架中，模型架构被拆分：较低的层（例如，特征提取器）是联合的并在全局范围内更新，而较高的层（例如，分类器）则保留在本地。这确保了个性化的决策，而不会暴露敏感数据。另一种策略涉及正则化，其中本地训练会惩罚与全局模型的偏差，以防止过度拟合。例如，损失函数可能会将特定于任务的错误与使局部权重接近全局模型权重的项结合起来。挑战包括管理资源受限设备的计算开销，并确保个性化不会无意中泄漏私人数据。通过结合这些方法，开发人员可以创建在各种用户中表现良好，同时又遵守联邦学习固有的隐私约束的模型。