在联邦学习中，服务器充当中央协调器的角色，管理分布式设备或客户端上机器学习模型的协作训练。 它的主要作用是通过分发初始模型、聚合来自客户端的更新并确保系统高效运行，同时保护数据隐私来协调训练过程。 与传统的集中式训练不同，服务器不直接访问客户端的原始数据——相反，它处理模型参数或梯度，从而在不暴露敏感信息的情况下进行训练。
服务器首先初始化一个全局模型，并与参与的客户端（例如智能手机、物联网设备或边缘服务器）共享。 例如，医疗保健应用程序可能涉及医院根据存储在每个机构本地的患者数据来训练模型。 然后，服务器等待客户端使用其本地数据计算更新。 这些更新（通常是梯度或调整后的模型权重）被发送回服务器，服务器会聚合它们以改进全局模型。 这里的一个关键任务是处理不一致性，例如客户端退出或在不同时间提交更新，同时保持训练的稳定性。
最后，服务器采用聚合算法（例如，联邦平均）将客户端更新合并为一个改进的全局模型。 这涉及根据数据集大小或数据质量等因素对贡献进行加权。 例如，服务器可能会优先考虑来自具有更大、更具代表性的数据集的设备的更新。 它还实施安全措施，例如加密或安全多方计算，以防止恶意行为者篡改更新。 通过迭代这个过程——分发、收集、聚合——服务器逐步完善模型，直到它达到令人满意的性能，同时保持客户端数据的分散和私密。