? 聯邦學習的概念

聯邦學習（Federated Learning，簡稱FL）是一種多個參與方在各數據不出本地的前提下共同完成某項機器學習任務的活動。通過聯邦學習，不同的數據擁有方可以在不交換彼此數據的情況下，建立一個虛擬的共有模型，這個虛擬模型的效果等同于各方把數據聚合在一起建立的模型。

所謂聯邦學習，可以簡單理解為聯邦架構+機器學習。聯邦架構即是一系列身份和地位相等的參與方的聯合，機器學習則是指參與方門結合成聯邦的目的和任務。

舉例來說，有兩個企業，分別是A和B，它們各自擁有自己的數據集。雙方都希望融合更多對方的數據使機器學習模型達到更好的效果。但出于企業機密信息的保護或是監管合規要求，兩家企業現在不能把數據放到一起集中建模。如果各自建模，則要么數據不完整（缺少標簽數據或特征數據）、要么數據量不足，均無法獲得有效的模型。此時，利用聯邦學習構造的虛擬融合，以一種“數據不動模型動”的思想，讓A、B不用聚合原始數據，而是各自在本地進行訓練后交換中間因子，再對模型進行優化迭代。這樣，兩家企業的數據和模型均可在本地可控，又完成了聯合建模，也是一個彼此間“數據可用不可見”的實現。

總之，聯邦學習是適用于機器學習算法的隱私計算技術。