Federated Learning

Definition / 定义

联邦学习：一种分布式机器学习方法。数据保留在各个本地设备或机构（如手机、医院、银行）不出域，只上传模型更新（如参数/梯度）到中心服务器或在多方之间协同聚合，从而在保护隐私与合规的前提下共同训练模型。（也常用于跨设备、跨机构的协作建模场景。）

Pronunciation / 发音

/ˈfɛdəˌreɪtɪd ˈlɝːnɪŋ/

Examples / 例句

Federated learning lets phones improve a keyboard model without sending raw texts to the server.
联邦学习让手机在不上传原始文本的情况下改进键盘模型。

In healthcare, federated learning can train a robust diagnostic model across multiple hospitals while keeping patient records on-site.
在医疗领域，联邦学习可以在多家医院之间训练更可靠的诊断模型，同时将病人记录保留在本地。

Etymology / 词源

federated 来自 federate（使结成联盟、联合），其更早词源可追溯到拉丁语 foedus（条约、盟约）；learning 指“学习/学习过程”。合起来强调“联合起来进行学习”：各方像“联盟”一样协作训练，但各自保留数据主权。

Related Words / 相关词汇

• Decentralized
• Distributed
• Aggregation
• Privacy
• Encryption
• Differential
• Gradient
• Client
• Server
• On-device

Literary Works / 文学作品

• McMahan, B. et al. (2017). Communication-Efficient Learning of Deep Networks from Decentralized Data（提出并系统化联邦学习框架与 FedAvg 思路）
• Kairouz, P. et al. (2021). Advances and Open Problems in Federated Learning（综述性论文，广泛使用并讨论“federated learning”）
• Bonawitz, K. et al. (2019). Towards Federated Learning at Scale: System Design（工程系统角度的代表性论文）
• Yang, Q., Liu, Y., Chen, T., & Tong, Y. (2020). Federated Learning（专著/长篇综述，对概念与应用做系统梳理）