联邦学习中的本地模型指的是使用自身数据在单个设备或服务器（称为“客户端”）上独立训练的机器学习模型。 与传统集中式训练（所有数据都集中在一个位置）不同，联邦学习保持数据分散。 每个客户端都使用其私有数据集训练其本地模型，并且仅将模型更新（例如，梯度或权重）与中央服务器共享。 这种方法保护了数据隐私，因为原始数据永远不会离开客户端。 本地模型是联邦学习过程的核心组成部分，无需直接数据共享即可实现协作训练。
本地模型的训练过程通常遵循以下步骤：首先，中央服务器初始化一个全局模型并将其发送给所有客户端。 然后，每个客户端都使用其本地数据训练该模型，调整参数以最小化其特定数据集的预测误差。 例如，智能手机可能会训练本地模型，以根据用户的打字历史记录来改进键盘自动完成建议。 训练完成后，客户端将更新后的模型参数（而不是数据）发送回服务器。 服务器聚合这些更新（通常通过平均它们）以创建一个新的全局模型，然后将其重新分发给客户端以进行进一步的训练。 该循环重复进行，直到全局模型达到令人满意的性能。
实施联邦学习的开发人员必须设计本地模型，使其能够在不同的硬件上高效运行，处理不同的数据分布以及管理与服务器的通信。 例如，医疗保健应用程序可能涉及医院根据患者记录训练本地模型，以确保敏感数据保留在本地。 TensorFlow Federated 或 PyTorch 等框架提供了简化客户端训练循环和参数聚合的工具。 挑战包括处理客户端之间非 IID（非独立同分布）数据并优化通信成本。 通过关注本地模型在以隐私为中心的分布式训练中的作用，开发人员可以构建平衡性能与数据安全性的系统。