跨设备联邦学习 (FL) 是一种去中心化的机器学习方法，模型通过大量设备（例如智能手机、物联网传感器或边缘设备）协同训练，而无需集中原始数据。 与需要将数据上传到服务器的传统方法不同，FL 将数据保留在本地设备上。 每个设备都使用自己的数据训练共享模型，并且仅将模型更新（例如，梯度或参数）发送到中央服务器。 这些更新被聚合以改进全局模型，然后将其重新分发到设备以进行进一步训练。 这个过程迭代重复，使模型能够在保护用户隐私的同时从多样化的数据源中学习。
典型的跨设备 FL 工作流程涉及三个步骤。 首先，中央服务器初始化一个全局模型，并选择一组可用的设备（例如，数千部手机）来参与训练轮次。 每个设备下载模型，使用其数据在本地对其进行训练，并计算更新。 例如，智能手机键盘应用程序可能会使用用户的打字历史记录来训练下一个单词预测模型。 本地训练完成后，设备会将加密的更新发送回服务器。 然后，服务器聚合这些更新（通常使用联邦平均等方法）以创建新的全局模型。 此循环持续进行，直到模型收敛。 关键的技术考虑因素包括处理间歇性设备可用性（因为设备可能会断开连接）、优化通信效率（以减少带宽）以及确保跨异构硬件的兼容性。
实施跨设备 FL 带来挑战。 设备异构性（不同的计算能力、存储和网络条件）可能导致训练时间不均匀或丢失。 例如，低端手机训练模型可能比高端设备花费更长的时间，从而延迟聚合。 隐私仍然至关重要； 即使原始数据未共享，更新也可能泄露敏感信息。 安全聚合（使用加密掩盖更新）和差分隐私（向更新添加噪声）等技术可以缓解这些风险。 TensorFlow Federated 或 PyTorch 的 FL 库等框架提供了管理设备协调、模型分发和聚合的工具。 一个真实的例子是在智能手表上训练健康监测模型，而无需暴露用户的心率或活动数据。 通过应对这些挑战，跨设备 FL 能够在无法集中数据的情况下实现可扩展的、注重隐私的 ML 应用。