联邦迁移学习（FTL）是一种混合学习范式，结合了联邦学习（FL）和迁移学习（TL）的原理，以有效利用分布式的异构数据源。
形式上，FTL由一组客户端 \( \{C_i\}_{i=1}^N \) 组成，每个客户端拥有本地数据 \( D_i \)，这些数据可能位于不同但重叠的特征或数据空间中。
其目标是训练一个全局模型 \( M \)，该模型通过聚合本地训练的模型 \( M_i \) 或其表示而成，迁移机制使得不同领域或特征空间之间的知识传递成为可能。
通常采用特征映射、领域适应或模型微调等技术来解决数据的异质性问题。
FTL解决了隐私保护、数据异质性和本地数据量有限等挑战。
定义：
“联邦迁移学习是一种分布式学习方法，在保持本地数据私密的同时，在异构客户端之间传递和聚合模型或表示知识，以生成共享模型。”
来源：
Yang, Q., Liu, Y., Chen, T., & Tong, Y. (2019). 联邦机器学习：概念与应用。ACM智能系统与技术汇刊（TIST），10(2)，12。