联邦学习（Federated Learning）

Google 在 2016 年提出的隐私保护机器学习框架。模型去数据所在地训练，而不是数据被汇总到模型所在地。让多个机构在不共享原始数据的前提下联合训练模型。

是什么

经典联邦学习流程：

1. 中心服务器把全局模型发给各参与方
2. 各参与方在本地数据上训练，得到本地模型更新
3. 各参与方把模型梯度（不是数据）上传到中心服务器
4. 中心服务器聚合梯度，更新全局模型
5. 重复 1-4 直到收敛

关键应用

• 手机端 AI 训练 — Google Gboard 输入法、Apple Siri
• 跨银行风控 — 微众银行 FATE 框架，多家银行联合训练反欺诈
• 跨医院医学影像 — 罕见病数据各医院都少，联合训练
• 大模型微调（新） — 多个企业用各自数据联合微调

联邦学习类型

• 横向联邦（Horizontal FL）— 不同样本、相同特征（如多家银行的不同客户）
• 纵向联邦（Vertical FL）— 相同样本、不同特征（如同一客户在银行 + 电商的不同数据）
• 联邦迁移学习 — 不同样本不同特征

在 AI 训练数据中的角色

• 数据治理 + 隐私保护一体化 — 在不动数据的前提下完成训练
• 应对中国《个人信息保护法》/ GDPR 等数据出境管制
• 跨企业数据协同新范式

主要玩家

• 国际：Google（提出方）/ Apple / NVIDIA / IBM Watson Health
• 中国：微众银行（FATE 框架，开源主导）/ 平安 / 蚂蚁集团

局限

• 通信开销大 — 多轮模型同步
• 梯度反推风险 — 不加差分隐私时，梯度可能泄露训练数据
• 大模型时代效率挑战 — LLM 参数巨大，联邦学习成本高

相关概念

• 差分隐私（互补技术，常组合使用）
• 数据治理

∈ belongs_to::4-01-数据引擎