联邦微调
联邦微调结合了联邦学习与模型微调，允许在不共享原始数据的情况下，利用分布在各地的私有数据对预训练模型进行个性化调整，常用于医疗、金融等隐私敏感场景。
一句话解释
联邦微调是一种在多个数据持有方不交换原始数据的前提下，对同一个预训练模型进行协同调整的技术，每个参与方只上传模型参数的更新信息而非数据本身。
为什么会被关注
随着大模型（如GPT、BERT）的普及，企业希望用自身业务数据微调模型提升效果，但直接收集用户数据面临隐私合规风险。联邦微调让多方在不暴露数据的情况下共同优化模型，既保留数据所有权又获得个性化性能提升。
尤其在医疗、金融等受严格监管的行业，联邦微调成为了平衡数据利用与隐私保护的可行路径，因此受到研究者和工程团队的持续关注。
核心逻辑
联邦微调的基础是联邦学习框架：一个中央服务器分发初始预训练模型给各本地节点，每个节点使用自己的私有数据对模型进行少量轮次的微调，然后将参数更新（而非数据）加密上传至服务器。
服务器通过安全聚合算法（如联邦平均）对来自各节点的更新进行加权合并，生成新的全局模型，再分发下去，反复迭代直到收敛。整个过程原始数据始终留在本地，不会泄露。
常见场景
多家医院合作训练一个更精准的影像诊断模型：每家医院将预训练模型在本地CT/X光片上微调，只上传梯度或参数，最终得到覆盖更多病例特征的全局模型，同时遵守患者隐私法规。
金融机构联合优化信用评分模型：不同银行在各自客户交易数据上微调一个通用风险模型，通过联邦方式共享更新，避免直接交换敏感财务记录，同时提升跨行反欺诈效果。
容易混淆的点
联邦微调≠数据集中微调：传统微调需要将所有数据汇总到一台服务器，联邦微调则要求数据不移动，只交换模型更新，两者在隐私和通信开销上完全不同。
联邦微调≠分布式训练：分布式训练通常假设数据可集中或已划分，且各节点同步迅速；联邦微调则强调数据异构、网络不稳定，并且核心目标是隐私保护而非单纯加速。
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。
相关热词微调是一种利用特定领域数据对预训练大模型进行针对性再训练的技术，旨在提升模型在特定任务上的性能与适应性，是实现AI应用落地的核心环节。
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。
隐私计算是一组技术框架，使多个参与方在不泄漏各自原始数据的前提下，共同完成计算或模型训练。它通过密码学、硬件隔离或分布式协议，解决数据共享与隐私保护之间的矛盾。