本次查询：联邦学习
中文解释：联邦学习
常见场景：主要应用于金融风控 / 医疗健康 / 智慧城市 / 广告推荐等对数据隐私和安全要求极高的领域 / 是打破数据壁垒
一句话解释
联邦学习是一种“数据不动模型动”的协作式人工智能训练方法。多个参与方在本地用自己的数据训练模型，只将加密后的模型更新（如梯度）上传到中央服务器进行聚合，从而得到一个更强大的全局模型，整个过程原始数据始终保留在本地。
为什么会被关注
随着全球数据隐私法规（如GDPR）日益严格，直接汇集用户数据进行集中训练的模式面临巨大合规风险。联邦学习能在不触碰原始数据的前提下挖掘数据价值，有效平衡了数据利用与隐私保护，成为金融、医疗等敏感行业实现AI落地的关键技术路径，因此受到学术界和产业界的广泛关注。
核心逻辑
其核心逻辑是分布式训练与安全聚合。每个参与设备或机构作为客户端，在本地完成模型训练，生成参数更新。中央服务器负责协调，通过安全的聚合算法（如FedAvg）将各客户端的更新合并，生成改进后的全局模型并下发给各客户端。如此迭代，最终得到一个基于所有数据分布、但未见过任何原始数据的共享模型。
常见场景
在医疗领域，多家医院可联合训练疾病预测模型，无需共享敏感的病例数据。在金融领域，多家银行可共建反欺诈模型，而不泄露各自的用户交易信息。在智能手机输入法预测中，模型可利用全球用户的本地输入习惯进行更新，但个人输入内容不会上传至云端。智慧城市中，不同区域的数据也可通过联邦学习进行联合分析。
容易混淆的点
联邦学习常与“分布式机器学习”混淆。后者主要目标是提升计算效率，数据虽分布但通常可被中心节点访问或假设是可信的。而联邦学习的首要目标是隐私保护，且数据具有分布异构、非独立同分布、通信成本高、客户端不稳定等特点。
此外，它也不是简单的“数据加密后上传”。联邦学习过程中，传输的是模型参数或梯度更新，这些信息本身经过设计，已难以反推出原始数据，再结合差分隐私、同态加密等技术，能提供更强的隐私保障。