异步联邦学习是一种去中心化的机器学习方法，其中多个设备或服务器协同训练共享模型，而无需同步通信。与依赖所有参与者同时提交更新（同步模式）的传统联邦学习不同，异步联邦学习允许设备按照自己的节奏贡献更新。这消除了等待较慢或离线设备的需要，使过程更加灵活和可扩展，尤其适用于网络条件或设备能力各异的环境。中心服务器在接收到更新时进行聚合，持续优化模型，无需严格协调。
该过程如下：中心服务器初始化一个全局模型，并将其分发给参与设备（例如，智能手机、物联网传感器）。每个设备使用自己的数据在本地训练模型，并在训练完成后将更新后的模型参数发送回服务器。由于更新是独立发送的，服务器会逐步整合这些更新，通常使用加权平均或梯度累积等技术。例如，智能手机可能会在充电和有 Wi-Fi 时段，利用用户输入数据训练语言模型，然后在几小时后上传更新。即使其他设备仍在处理数据或处于离线状态，服务器也会将这些更新合并到全局模型中。为了处理来自过期更新（例如，设备基于旧版本模型进行训练）的潜在冲突，可以使用版本跟踪或自适应学习率等方法来优先处理最近的贡献。
这种方法在设备资源异构或连接不可靠的场景中特别有用。例如，在医疗保健领域，医院可以在本地患者数据上训练诊断模型，而无需共享敏感记录。异步更新允许各机构在合规性检查完成后贡献，避免因较慢的合作伙伴导致的延迟。类似地，智能家居设备可以学习使用模式，而无需所有设备同时同步。然而，挑战包括管理通信开销、确保模型一致性以及减轻因参与不均导致的偏差。开发者可以实施差分隐私等技术以确保数据安全，或采用考虑更新时效性的聚合方法来平衡更新的相关性。总的来说，异步联邦学习以一定的协调复杂性为代价，换取了在现实世界分布式系统中的实用性。