Federated Learning（聯邦學習）是一種機器學習技術，允許多個分散的設備或服務器在本地數據上共同訓練模型，而不需將數據集中或共享，從而實現數據隱私保護與協同學習。
聯邦學習的定義與核心原理：
• 聯邦學習使多個本地節點（如手機或邊緣設備）在自己的數據上訓練局部模型，僅將模型參數或更新傳送至中央伺服器進行聚合，避免傳輸原始數據。• 通過多輪迭代更新，中央伺服器匯總局部模型結果，形成全局共享模型，提升模型泛化能力。
• 支持多種架構，如中心化（有中央伺服器協調）和去中心化（點對點或分層式協作）。
聯邦學習的主要優點：
• 隱私保護：數據留在本地，符合GDPR等隱私法規要求。
• 數據安全：減少數據集中帶來的洩露風險。
• 數據多樣性：利用分散多樣化的數據，提高模型魯棒性與準確度。
• 降低傳輸成本：減少大量數據上傳帶來的網絡負擔。
聯邦學習的典型應用：
• 手機個性化輸入法、語音助手的本地模型訓練。
• 醫療機構跨院合作共同訓練疾病診斷模型而不泄露患者隱私。
• 金融機構協作防止詐騙，保障用戶數據安全。
• 智慧交通、IoT設備數據協同分析。
簡單比喻：
聯邦學習像是一個多地學校的學生在各自學校學習，然後只分享學習成果，不交換課本，大家共同提升整體水平。
總結：
Federated Learning是一種分散式機器學習技術，不需要集中數據即可讓多方基於本地數據協同訓練共享模型，有效兼顧隱私保護與數據利用。
