什么是联邦学习？
联邦学习（Federated Learning）是一种分布式的机器学习训练方法，由 Google 在 2016 年提出。它的核心思想是：数据不出本地，模型参数去旅行。多个参与方在本地用自己的数据训练模型，只将模型更新发送到中央服务器聚合，原始数据始终留在本地。
联邦学习的工作原理
初始化：中央服务器初始化全局模型，分发给所有参与方。本地训练：每个参与方用自己的本地数据训练模型。聚合更新：参与方将模型更新发送回中央服务器。全局更新：服务器聚合所有参与方的更新。迭代：重复上述过程多轮。
应用场景
手机输入法（Google Gboard）、医疗健康（多家医院联合训练诊断模型）、金融服务（联合训练反欺诈模型）。