联邦学习.

一种分布式机器学习范式,众多客户端在中央协调者的协调下共同训练模型,而原始数据始终保留在本地设备上。 它属于网络安全的 密码学 分类。

一种分布式机器学习范式,众多客户端在中央协调者的协调下共同训练模型,而原始数据始终保留在本地设备上。

联邦学习(Federated Learning,FL)允许大量参与方(手机、医院、银行等)在不集中训练数据的前提下,共同训练一个共享的机器学习模型。每个客户端在本地数据上计算梯度或模型更新,并仅将该更新上传给聚合方,聚合方通常通过 FedAvg 将其合并为新的全局模型。由于原始更新仍可能泄露训练数据的信息,现代部署会叠加多层密码学保护:安全聚合、差分隐私,有时还包括同态加密或 MPC。Google 于 2017 年在 Gboard 输入建议中率先采用联邦学习,目前已广泛应用于医疗影像、跨机构反欺诈以及大模型的端侧个性化。

针对 联邦学习 的防御通常结合技术控制与运营实践,详见上方完整定义。

常见的别称包括: FL, 联邦机器学习。