跨孤岛联邦学习是一种机器学习方法，其中多个组织或大型实体（孤岛）协同训练一个共享模型，而无需直接共享其原始数据。 每个孤岛保持对其本地数据集的控制，并且在训练期间仅交换模型更新（例如，梯度或参数）。 这种方法优先考虑数据隐私，使其适用于法律、道德或技术限制阻止数据整合的情况。 与涉及许多不可靠设备（例如，智能手机）的跨设备联邦学习不同，跨孤岛通常涉及较少但更稳定的参与者，例如医院、银行或研究机构，这些参与者具有强大的计算资源。 该过程由中央服务器或通过点对点通信进行协调，从而聚合更新以迭代地改进全局模型。
一个常见的例子是医疗保健。 医院可能会协作使用患者数据来训练诊断模型，但 HIPAA 等法规禁止共享敏感记录。 每家医院在其数据上本地训练模型，然后将加密的更新发送到中央服务器。 该服务器将这些更新合并到全局模型中，然后重新分发以进行进一步的训练。 同样，金融机构可以使用跨孤岛联邦学习来检测欺诈。 银行可能会根据交易模式训练共享模型，而无需公开客户数据。 另一个用例是工业预测性维护：拥有独立工厂的制造公司可以汇集来自设备传感器的见解，以构建预测机器故障的模型，同时保持每个工厂的运营数据私密。
关键的技术挑战包括处理跨孤岛的非独立同分布 (non-IID) 数据。 例如，一家医院的数据集可能侧重于儿科病例，而另一家医院则专门研究老年病学，从而导致模型性能出现偏差。 联邦平均 (FedAvg) 等技术调整聚合以解决数据不平衡问题。 通信效率也至关重要——孤岛之间频繁的模型交换（使用大型数据集）可能会成本高昂。 TensorFlow Federated 或 PySyft 等框架提供了管理这些工作流程的工具。 通常会添加差分隐私或安全多方计算等安全措施，以防止模型更新中潜在的数据泄露。 实施跨孤岛系统的开发人员还必须解决信任和协调问题，确保所有各方都同意更新、聚合和模型所有权的协议。