联邦学习是一种机器学习技术，其中模型是在分散的设备上训练的，使用的是存储在每个设备本地的数据。设备不是将原始数据发送到中央服务器，而是在本地计算模型更新，并且仅共享这些更新，然后将这些更新聚合起来以改进全局模型。 这种方法在移动应用程序中尤其有用，因为在这些应用程序中，隐私、带宽和延迟是关键问题。 以下是移动应用程序中联邦学习的三个具体示例。
一个常见的例子是 移动键盘应用，例如 Gboard 或 SwiftKey。 这些应用程序使用联邦学习来改进预测文本和自动更正功能，而不会暴露用户的键入数据。 例如，当用户键入消息时，键盘模型会在设备本地进行训练，以学习常用表情符号或俚语之类的模式。 更新后的模型参数（而不是原始文本）会发送到服务器，与来自其他用户的更新聚合，并作为改进后的全局模型重新分发。 这样可以确保个人数据保留在设备上，同时还可以提高应用程序随时间的准确性。
另一个例子是 健康和健身应用程序。 像 Fitbit 或 Apple Health 这样的应用程序可以使用联邦学习来分析用户的生物识别数据（例如，心率、睡眠模式），而无需集中敏感信息。 例如，糖尿病预测模型可以基于数百万个设备的葡萄糖水平和活动数据进行训练，每个设备都计算本地更新。 这样，应用程序可以在保护个人隐私的同时识别趋势（例如，运动与血糖之间的相关性）。 同样，健身应用程序可以通过汇总来自全球用户的匿名锻炼数据来优化卡路里消耗估算。
第三个用例是 网约车或导航应用程序，例如 Uber 或 Google 地图。 这些应用程序可以使用联邦学习来预测交通模式或使用来自司机手机的位置数据优化路线。 每个设备不是跟踪单个路线，而是在其行程历史记录上训练本地模型，并且将更新组合起来以改进交通预测模型。 这减少了对持续 GPS 数据传输的需求，并解决了隐私问题。 但是，必须管理设备异构性（例如，不同的硬件功能）以及确保在不同的数据分布中保持一致的模型性能等挑战。 TensorFlow Federated 或 PySyft 之类的框架通常用于有效地实施这些解决方案。