# 联邦学习

> 联邦学习（英语：Federated learning）是一种机器学习技术，具体来说就是人们在多个拥有本地数据样本的分布式边缘设备或服务器上训练算法。这种方法与传统的集中式机器学习技术有显著不同，传统的集中式机器学习技术将所有的本地数据集上传到一个服务器上，而更经典的分布式方法则通常假设本地数据样本都是相同分布的。

- ID: m01605
- 分类: technical
- 领域: 人工智能

## 定义

一种机器学习框架，允许模型在多个分散的设备（如用户的手机）上训练，而不需要把原始数据上传到中央服务器。只上传训练后的参数更新（梯度）。脚手架作用：数据可用不可见。解决了数据孤岛和隐私保护的矛盾。在商业合作中，这是一种"最小信任"模式：我们不需要交换核心机密（数据），但可以共享智慧（模型）。

## 机制

中央服务器下发全局模型到各设备，设备用本地数据训练后只回传参数更新（梯度），服务器聚合更新形成新模型。原始数据始终留在本地，实现"数据不动模型动"，从机制上降低隐私泄露。

## 练习

选定聚合服务器与参与设备；下发当前全局模型；各设备在本地训练并计算梯度更新；加密上传更新；服务器用联邦平均（FedAvg）聚合；迭代直至收敛。

## 脚手架用法

数据可用不可见。解决了数据孤岛和隐私保护的矛盾。在商业合作中，这是一种"最小信任"模式：我们不需要交换核心机密（数据），但可以共享智慧（模型）。

[阅读网页](https://thinkingmodels.site/entries/detail/m01605)