数据保留在本地。联邦学习无需集中存储原始数据，即可在多个设备上训练模型。每个设备基于本地数据计算更新，并将这些更新发送到服务器，服务器再将它们聚合到一个共享模型中。

这种方法适用于因隐私或带宽限制而无法实现集中式部署的情况。键盘无需发送按键即可学习打字模式。医院无需共享患者记录即可训练诊断模型。

核心机制

• 每台设备均接受本地培训
• 梯度或模型更新已发送到服务器
• 汇总成更新后的全球模型
• 下一轮分发回设备

挑战依然存在。不同设备的数据分布、连接速度和可用性各不相同。通信开销巨大，如果保护措施不当，更新可能会泄露信息。安全聚合和差分隐私虽然能提供额外的安全保障，但也增加了成本。