联邦学习

一句话解释

联邦学习是一种分布式机器学习技术，多个参与方（如不同医院）在本地保留原始数据，仅交换加密的模型参数或梯度，共同训练一个全局模型。

为什么会被关注

随着数据隐私法规（如GDPR）的推行，企业间共享原始数据愈发困难，数据孤岛问题严重制约AI发展。联邦学习让各方在不暴露用户隐私的前提下协同建模，因此成为隐私计算领域的热点。

尤其在医疗、金融、智能终端等领域，数据敏感度高且分散，联邦学习提供了一种兼顾模型性能与合规的可行方案，谷歌、苹果等公司已将其应用于键盘预测、健康研究等产品。

核心逻辑

基本流程是：中央服务器初始化模型参数并分发给各参与方；各参与方用本地数据训练模型，更新参数；服务器收集加密后的参数更新，通过联邦平均算法聚合出新的全局模型；重复多轮直至收敛。

整个过程中原始数据从未离开本地，仅传递梯度或参数。为防范攻击者从参数反推用户信息，常结合差分隐私、安全多方计算等技术，进一步增强隐私保护强度。

常见场景

医疗领域：多家医院联合训练疾病诊断模型，无需汇集患者病历；金融机构：不同银行合作构建反欺诈模型，避免客户隐私泄露；智能终端：手机输入法的联想功能通过本地数据微调模型，只上传加密梯度。

物联网：智能家居设备在本地训练个性化模型，参数汇总后改进通用服务；推荐系统：新闻App根据用户端行为更新推荐模型，服务器仅接收聚合后的优化方向。

容易混淆的点

联邦学习与分布式训练不同：分布式训练通常将数据集中后切分到多机加速，联邦学习则强调数据不出域且参与方可选。后者需额外处理非独立同分布（Non-IID）数据和参与方掉线问题。

联邦学习并非完全消除隐私风险，模型参数或梯度仍可能泄露用户信息，因此必须搭配差分隐私或同态加密。此外，联邦学习不等于安全多方计算，前者侧重协作训练，后者侧重多方联合计算任意函数。