联邦学习是一种机器学习方法，模型在多个去中心化的设备或服务器上进行训练，而无需共享原始数据。 模型不是将数据集中在一个位置，而是被发送到数据所在的设备（例如，智能手机、物联网传感器或本地服务器）。 每个设备使用其数据在本地训练模型，并且只有模型更新（例如梯度或参数）被发送回中央服务器。 服务器聚合这些更新以改进全局模型，然后重新分发该模型。 这个过程不断重复，允许模型从多样化的数据源中学习，同时保持数据的私有性和本地化。
一个常见的例子是移动键盘应用程序，它学习个性化的打字建议，而无需将用户文本上传到云端。 每部手机都在本地训练一个语言模型，发送加密的模型更新，全局模型得到改进，而无需暴露个人消息。 在医疗保健领域，医院可以协作训练诊断模型，而无需共享敏感的患者记录——每家医院都在其数据上进行训练，并且仅组合模型更新。 联邦学习也用于物联网网络，其中边缘设备在本地处理传感器数据，与将原始数据发送到中央服务器相比，降低了带宽成本和延迟。 这种方法适用于涉及大型分布式数据集或隐私敏感领域的场景。
实施联邦学习的开发人员面临着一些挑战，例如处理不均匀的数据分布（例如，某些设备可能具有有偏差或稀疏的数据）以及管理通信成本。 诸如差分隐私或安全聚合协议之类的技术可以解决更新传输期间的隐私风险。 诸如 TensorFlow Federated 或 PyTorch 的 Substra 之类的框架提供了用于模拟联邦工作流程、管理设备-服务器通信以及处理聚合逻辑的工具。 但是，优化模型性能需要平衡本地训练迭代与全局同步频率。 例如，在具有倾斜数据的设备上训练太长时间可能会损害全局模型的泛化。 在异构环境中进行测试和监控收敛问题是实际部署中的关键步骤。