詳細解釋
聯邦學習（Federated Learning）是一種分散式機器學習方法，允許多個設備或機構在不共享原始數據的情況下協作訓練模型，保護數據隱私。
工作原理：
- 中央服務器分發全局模型到各參與方
- 各參與方使用本地數據訓練，得到本地模型更新
- 參與方上傳模型更新（而非原始數據）到服務器
- 服務器聚合更新（如FedAvg算法）
- 分發更新後的全局模型，迭代進行
主要算法：
- FedAvg：簡單平均本地模型權重
- FedProx：添加正則項防止本地模型偏離
- FedOpt：使用優化器進行聚合
- 差分隱私：添加噪聲保護隱私
優勢：
- 數據隱私：原始數據不出本地
- 合規性：符合GDPR等法規
- 降低帶寬：只傳輸模型更新
- 個性化：可適配本地數據特性
挑戰：
- 統計異質性：各參與方數據分布不同
- 系統異質性：設備能力和可用性差異
- 通信效率：頻繁上傳下載
- 安全風險：模型反推攻擊、後門攻擊
應用場景：
- 移動設備：Gboard下一詞預測（Google首創）
- 醫療：多醫院協作不共享病歷
- 金融：多家銀行協作反欺詐
- 物聯網：邊緣設備協同學習
隱私增強技術：
- 差分隱私：添加校準噪聲
- 安全聚合：密碼學保護
- 同態加密：加密狀態下計算
聯邦學習是隱私保護AI的重要範式。