联邦学习中的客户端设备是分散的端点，例如智能手机、物联网传感器或边缘服务器，它们可以在不共享原始数据的情况下协同训练机器学习模型。 这些设备保存本地数据集，并通过计算中央服务器提供的全局模型的更新来参与训练过程。例如，智能手机可以使用用户的输入历史来改进键盘应用的预测模型，而工厂中的传感器可以分析设备数据以检测异常。关键特点是数据保留在设备上，从而保护了隐私并减少了传输敏感信息的需要。
客户端设备的作用主要包括三个步骤：下载全局模型、在本地计算更新，并将这些更新返回给服务器。 首先，服务器将当前模型版本发送给选定的设备。然后，每个设备使用其本地数据训练模型，通过随机梯度下降等方法调整参数。例如，一个健身追踪器可以根据设备上存储的运动数据训练一个模型来预测用户活动。训练完成后，设备只将模型更新（例如，梯度或权重）发送回服务器。这种方法最大限度地减少了数据暴露——例如，医院的核磁共振设备可以在不共享患者扫描数据的情况下为一个诊断模型做出贡献。
实际挑战包括设备异构性、连接限制和数据可变性。 客户端设备硬件差异很大（例如，高端手机与低功耗传感器），这会影响训练速度和资源可用性。联邦学习系统必须处理训练中途掉线或连接不稳定的设备。此外，设备之间的数据可能是非独立同分布 (non-IID)，例如一个用户的智能手机可能有独特的输入模式，而另一个用户则没有。联邦平均等技术可以在容忍参与者缺失的情况下聚合更新，自适应采样优先考虑可靠的设备。安全聚合协议进一步确保更新无法追溯到单个设备，从而解决了跨组织协作等场景中的隐私问题。**