联邦学习
也叫：Federated Learning · FL · 联邦训练
联邦学习在数据分散的客户端执行本地训练并聚合更新，减少原始数据集中收集，同时带来通信与更新保护问题。
他们说
在分散客户端本地训练并由服务器聚合模型更新
老白翻译
数据留在手机或机构里，各方只把模型更新交回来汇总。
它到底是什么
联邦学习是一种在分散数据上协作训练模型的方法。服务器下发模型，客户端在本地数据上计算更新，服务器再聚合多方结果。
生活里的例子
手机输入法可以在设备本地学习用户输入形成的更新，服务器汇总许多设备的更新后改进共享模型，而无需集中上传原始输入记录。
常见误解
- 误解：数据不上传就自动安全。 单个模型更新仍可能泄露信息，需要安全聚合、差分隐私和访问控制。
- 误解：它等同于机房分布式训练。 客户端数据分布不同，网络和参与状态也更不稳定。
- 误解：每轮参与设备越多越好。 通信成本、设备条件和选择偏差都要测量。
普通人怎么用
先在真实的数据差异和掉线条件下模拟训练，再检查每轮上传量、聚合权限、隐私方案与不同客户端群体的效果。