定义

联邦运行时指的是一个计算环境，在这个环境中，机器学习模型或复杂应用程序不是在单个中央服务器上执行，而是在一个由去中心化设备或服务器组成的网络上执行。它不将所有原始数据汇集到一个位置，而是管理在数据源上本地训练或运行模型的整个过程。

为什么它很重要

在现代数据密集型应用中，数据主权、隐私法规（如 GDPR）和带宽限制使得集中式数据聚合不切实际或非法。联邦运行时通过将计算带到数据所在的位置来解决这些问题，确保敏感信息保持本地化，同时仍能为全局模型改进做出贡献。

工作原理

该过程通常涉及一个中央协调器，它将全局模型或训练任务分发到各种本地节点（客户端）。每个本地节点使用其私有的本地数据集来训练或运行模型。只有由此产生的模型更新或参数——而不是原始数据——才会被发送回协调器。然后，协调器聚合这些更新（例如，使用联邦平均法）来创建一个改进的全局模型，该模型随后被重新分发以进行下一轮训练。

常见用例

在涉及敏感数据的场景中，联邦运行时至关重要：医疗保健（在医院数据上训练诊断模型）、移动设备学习（在不上传按键记录的情况下改进键盘预测）以及物联网部署（需要在边缘进行实时推理）。

主要优势

• 增强的隐私性： 原始数据从不离开其安全的本地环境。
• 降低延迟： 推理和训练可以在更靠近数据源（边缘）的地方进行。
• 可扩展性： 该架构通过添加更多去中心化节点实现水平扩展。

挑战

实施联邦运行时引入了与系统异构性（节点之间不同的硬件/软件）、参数交换的通信开销以及在非独立同分布（non-IID）的本地数据下确保模型收敛等相关复杂性。

相关概念

该概念与边缘计算（Edge Computing）有很大重叠，后者侧重于在靠近数据源的地方处理数据；它也与差分隐私（Differential Privacy）有重叠，后者是一种通常叠加在联邦学习之上的技术，用于增加防止数据泄露的数学保证。