联邦学习：让数据“可用不可见”的协作式AI训练范式
联邦学习是一种新兴的分布式机器学习框架，其核心思想是在不交换原始数据的情况下，通过交换加密的模型参数或梯度更新，实现多个参与方协同训练一个共享的机器学习模型。它旨在解决数据孤岛与隐私保护之间的矛盾，是隐私计算领域的关键技术之一。
一句话解释
联邦学习是一种“数据不动模型动”的协作式人工智能训练方法。多个参与方在本地用自己的数据训练模型，只将加密后的模型更新（如梯度）上传到中央服务器进行聚合，从而得到一个更强大的全局模型，整个过程原始数据始终保留在本地。
为什么会被关注
随着全球数据隐私法规（如GDPR）日益严格，直接汇集用户数据进行集中训练的模式面临巨大合规风险。联邦学习能在不触碰原始数据的前提下挖掘数据价值，有效平衡了数据利用与隐私保护，成为金融、医疗等敏感行业实现AI落地的关键技术路径，因此受到学术界和产业界的广泛关注。
核心逻辑
其核心逻辑是分布式训练与安全聚合。每个参与设备或机构作为客户端，在本地完成模型训练，生成参数更新。中央服务器负责协调，通过安全的聚合算法（如FedAvg）将各客户端的更新合并，生成改进后的全局模型并下发给各客户端。如此迭代，最终得到一个基于所有数据分布、但未见过任何原始数据的共享模型。
常见场景
在医疗领域，多家医院可联合训练疾病预测模型，无需共享敏感的病例数据。在金融领域，多家银行可共建反欺诈模型，而不泄露各自的用户交易信息。在智能手机输入法预测中，模型可利用全球用户的本地输入习惯进行更新，但个人输入内容不会上传至云端。智慧城市中，不同区域的数据也可通过联邦学习进行联合分析。
容易混淆的点
联邦学习常与“分布式机器学习”混淆。后者主要目标是提升计算效率，数据虽分布但通常可被中心节点访问或假设是可信的。而联邦学习的首要目标是隐私保护，且数据具有分布异构、非独立同分布、通信成本高、客户端不稳定等特点。
此外，它也不是简单的“数据加密后上传”。联邦学习过程中，传输的是模型参数或梯度更新，这些信息本身经过设计，已难以反推出原始数据，再结合差分隐私、同态加密等技术，能提供更强的隐私保障。
本文内容用于 AI 热词解释和概念整理，仅供学习和理解参考。若涉及表述偏差或内容修正，欢迎联系站点进行更新。
相关热词法院AI应用是指人工智能技术在司法领域的落地实践，包括智能辅助办案、类案自动推送、裁判文书生成、庭审语音识别等，旨在提升审判效率与公平性，减轻法官事务性负担。
法院AI部署是指将语音识别、文书生成、类案推送等人工智能技术集成到法院办案流程中，旨在提升审判效率、降低人为差错，并推动司法透明化。近年来，各地智慧法院试点加速，AI从辅助工具逐渐嵌入核心业务环节。
法院AI训练指利用裁判文书、法律法规等数据，训练机器学习模型以辅助司法工作，如案件分类、证据分析、量刑建议等。它并非替代法官，而是通过技术手段提升效率与一致性，正成为智慧法院建设的核心环节。
法院AI仿真利用人工智能技术对法庭场景、审判程序、辩论逻辑进行数字化模拟，用于法律教学、案件预演、证据推演等场景，帮助法官、律师和法学院学生更直观地理解司法过程。
法院AI建模是指运用人工智能技术，尤其是大语言模型和机器学习算法，对案件的事实要素、法律条文和历史判例进行结构化建模，辅助法官完成证据审查、量刑参考和文书生成的技术方案。