面向专家的联邦学习解释

联邦学习是一种去中心化的机器学习范式，其中大量客户端在其本地私有数据上训练模型，仅将模型参数或梯度传送给中央聚合器。

聚合器通常通过加权平均（例如联邦平均，FedAvg）来合并更新，以创建一个全局模型，随后将其发送回客户端。

该方法允许在非独立同分布（non-IID）和异构数据上训练模型，而无需传输数据本身，从而提升了隐私保护和数据安全性。

重要的研究问题包括优化通信成本、增强对故障或恶意客户端的鲁棒性，以及通过差分隐私和安全多方计算等技术确保隐私保护。

定义：
联邦学习是一种机器学习方法，多个去中心化客户端在本地训练，仅将其模型更新发送到中央服务器，服务器对其进行聚合以创建共享模型，而原始数据不会离开客户端。

来源：
Konecny, J., McMahan, H. B., Yu, F., Richtárik, P., Suresh, A. T., & Bacon, D. (2016). 联邦学习：提高通信效率的策略。arXiv预印本 arXiv:1610.05492。