分层联邦学习 (HFL) 是一种去中心化机器学习方法，它将参与设备或节点组织成多个层级，以提高可扩展性和效率。与所有设备直接与中央服务器通信的传统联邦学习不同，HFL 引入中间层（如边缘服务器或区域中心）以在本地聚合模型更新，然后再将汇总结果传递到上游。这减少了通信开销和中央服务器的计算压力，尤其是在具有数千台设备的大规模部署中。例如，在智慧城市应用中，交通信号灯上的传感器（最低层）可能会将更新发送到本地边缘服务器（中间层），该服务器汇总其区域的数据，然后再将其转发到基于云的全局服务器（顶层）。
HFL 的一个主要优势是它能够处理异构网络。资源有限的设备（例如物联网传感器）可以将聚合任务卸载到功能更强大的中间层节点。例如，在医疗保健领域，可穿戴设备可能会将原始数据传输到医院的本地服务器，该服务器训练初步模型，然后再与中央研究机构共享。这种结构还通过限制原始数据暴露来支持隐私保护——只有聚合的模型参数向上移动到层次结构中。此外，HFL 可以减少延迟，因为中间层节点可以处理本地数据，而无需依赖远程服务器。这对于自动驾驶汽车等实时应用至关重要，在这些应用中，区域边缘服务器可能会处理来自附近汽车的传感器数据，以更快地更新防撞模型。
实施 HFL 需要仔细设计层次结构和通信协议。开发人员必须决定使用多少层、每层同步的频率以及如何平衡全局模型准确性和本地定制。可以通过为每层定义自定义聚合规则来调整 TensorFlow Federated 或 PySyft 等框架以用于 HFL。挑战包括管理层之间的同步延迟以及确保中间层节点发生故障时的容错能力。例如，如果边缘服务器脱机，其层中的设备可能会暂时将更新直接发送到中央服务器，但这可能会增加带宽使用量。在部署期间测试此类场景对于维持系统稳健性至关重要。