联邦学习（Federated Learning）

1. 概念

联邦学习（Federated Learning, FL）是一种分布式机器学习技术，它允许多个参与方（如设备、机构或企业）在不共享原始数据的情况下协同训练机器学习模型。联邦学习通过本地计算+模型参数聚合的方式，保护数据隐私的同时，实现跨数据源的联合建模。

2. 核心特点

• 隐私保护：数据不离开本地，仅共享模型更新，避免数据泄露。
• 分布式计算：计算在数据端完成，提高训练效率，减少数据传输。
• 跨场景应用：适用于多个数据孤岛（如银行、医院、智能设备等）。
• 去中心化：可结合区块链等技术，实现去中心化的模型管理。

---

联邦学习的典型架构

联邦学习通常有以下几种架构：

1. 横向联邦学习（Horizontal FL）

   • 适用于数据特征相同但样本不同的情况（如不同地区的银行客户数据）。
   • 主要关注数据的扩展性࿰