定义

联邦模型（Federated Model），通常通过联邦学习（FL）实现，是一种机器学习范式，它在由持有本地数据样本的去中心化边缘设备或服务器组成的网络中训练一个共享的全局模型，而无需交换原始数据本身。它不是将敏感数据汇集到中央位置，而是让模型“前往”数据。

为什么它很重要

在像GDPR和CCPA这样严格的数据法规时代，集中化敏感用户数据变得越来越有风险且通常不合规。联邦模型通过允许组织利用庞大、分布式的数据集（例如存储在手机、医院或本地分支服务器上的数据）来构建强大的AI模型，同时保持数据本地化和私密性，从而解决了这个问题。

工作原理

该过程涉及几个迭代步骤。首先，中央服务器将全局模型的当前版本发送给选定的参与客户端。然后，每个客户端使用其专有数据集在本地训练该模型。本地训练完成后，客户端只将模型更新（例如梯度更新或权重更改）发送回中央服务器，而不是原始数据。服务器随后聚合这些更新——通常使用联邦平均（FedAvg）等技术——以创建一个改进的全局模型，然后将其重新分发到下一轮训练中。

常见用例

在数据不能离开其来源的场景中，联邦模型具有高度适用性。示例包括：在用户智能手机上训练预测文本模型、在多医院网络中开发诊断AI而无需共享患者记录，或在多个金融机构之间改进欺诈检测。

主要优势

主要优势在于增强的数据隐私和合规性、降低数据传输成本，以及能够在可能因治理限制而被孤立的高度多样化、真实世界的数据上进行训练。这带来了更强大和更具泛化能力的模型。

挑战

实施联邦学习会带来技术上的障碍。这些包括管理系统异构性（计算能力各不相同的设备）、处理客户端之间非独立同分布（non-IID）的数据，以及确保传输中的模型更新免受推理攻击的安全。

相关概念

该概念与差分隐私（Differential Privacy，它向更新中添加噪声以防止对单个数据点的逆向工程）和安全聚合（Secure Aggregation，它确保中央服务器无法看到单个客户端的更新）密切相关。