联邦学习（Federated Learning）是一种分布式机器学习技术，它可以在不共享数据的情况下训练模型。这种技术在多个参与方之间协作构建共享的预测模型，同时保持每个参与方的数据本地化，不暴露给其他方。联邦学习特别适用于数据隐私敏感的场景，如医疗、金融和移动设备等。
定义
联邦学习是一种机器学习设置，其中多个客户端（例如，移动设备或整个组织）协作训练模型，而不需要将数据集中存储。相反，每个客户端使用其本地的数据来训练本地模型，并通过加密的方式将模型的更新（梯度或权重）发送到服务器。服务器聚合这些更新以构建全局模型，而无需访问任何客户端的原始数据。
原理
联邦学习的核心原理包括以下几个步骤：
- 初始化：服务器初始化全局模型，并将其发送到各个客户端。
- 本地训练：每个客户端使用自己的数据训练本地模型，并通过优化算法（如梯度下降）更新模型参数。
- 模型更新上传：客户端将模型的更新（通常是梯度或权重的小增量）加密上传到服务器。
- 聚合更新：服务器收到所有客户端的模型更新后，对它们进行聚合（例如，平均加权），以更新全局模型。
- 模型分发：服务器将聚合后的全局模型发送回各个客户端。
- 重复迭代：上述过程重复进行，直到全局模型收敛或达到预定的训练轮数。
