联邦学习是什么？数据不出本地也能一起训练模型

联邦学习（Federated Learning）是一种在数据不离开本地的情况下协同训练模型的方法。它由谷歌的研究人员提出，核心算法发表在 2017 年的国际人工智能与统计会议（AISTATS）论文《从分散数据中高效通信地学习深度网络》中。它的基本原则是：原始训练数据始终留在用户的手机或各机构自己的服务器上，绝不上传到中央服务器；大家只上传根据本地数据算出来的模型更新，由服务器汇总成一个共享的全局模型。

它解决什么问题

训练好的模型需要大量数据，但很多数据涉及隐私，不能也不该集中到一起：用户手机上的输入习惯、聊天记录，医院里的病历，银行里的交易记录。法律法规也越来越严格地限制个人数据的收集和传输。联邦学习提供了一条路：数据不动，模型动，既能利用分散在各处的数据训练出好模型，又大幅降低了隐私泄露和安全风险。

怎么工作

论文提出的核心算法叫联邦平均（FederatedAveraging，FedAvg）。大致流程是：服务器把当前的全局模型发给一批参与的设备；每台设备用自己的本地数据训练几轮，得到更新后的模型；设备只把模型参数的更新发回服务器；服务器把各设备的更新按数据量加权平均，得到新的全局模型；如此反复。实验表明，FedAvg 能稳定地处理移动设备上常见的数据不平衡、各设备数据分布差异很大（非独立同分布）的问题，并且相比简单的方法，大幅减少了所需的通信轮数，这对网络不稳定、流量宝贵的手机尤其重要。

应用和局限

谷歌最早把它用在手机输入法的下一个词预测上。如今联邦学习被用于金融风控（多家银行联合建模而不共享客户数据）、医疗研究（多家医院联合训练诊断模型）、智能设备个性化等场景。

它也不是万能的：只上传模型更新并不等于绝对安全，研究表明有时能从更新中反推出部分原始数据，所以常和差分隐私、安全聚合等技术结合使用；各参与方数据差异大时，模型效果会受影响；通信开销和设备掉线也是工程上的挑战。