联邦学习能做什么？
- 用于建立移动终端与服务器之间的共享模型
- 在大规模数据背景下有效地利用数据资源
- 保证用户的隐私安全
什么是联邦学习？
联邦学习是一种分布式机器学习技术，允许多方通过本地训练集按照指定算法（聚合策略）构建模型
联邦学习的无数据交换特性是一个天然的隐私保护特性
横向联邦学习中的聚合策略
-
参与方将梯度信息发送给服务器，服务器将收到的梯度信息进行聚合（例如，计算加权平均），再将聚合的梯度信息发送给参与方。称这种方法为梯度平均（gradient averaging）
-
联邦学习的参与方还可以共享模型的参数。参与方在本地计算模型参数，并将它们发送至服务器。服务器对收到的模型参数进行聚合（例如，计算加权平均），再将聚合的模型参数发送给参与方。称这种方法为模型平均（model averaging）
方法 优点 缺点 梯度平均 - 准确的梯度信息
- 有保证的收敛性
- 加重通信负担
- 需要可靠连接
模型平均 - 不受SGD限制
- 可以容忍更新缺失
- 不频繁的同步
- 不保证收敛性
- 性能损失
联邦学习的定义：
联邦学习是利用分散在各参与方的数据集，通过隐私保护技术融合多方数据信息，协同构建全局模型的一种分布式训练方式。在模型训练过程中，模型的相关信息（如模型参数、模型结构、参数梯度等）能够在各参与方之间交换（交换方式可以是明文、数据加密、添加噪声等），但本地训练数据不会离开本地。这一交换不会暴露本地的用户数据，降低了数据泄漏的风险。训练好的联邦学习模型可以在各数据参与方之间共享和部署使用。
客户-服务器架构
使用C-S架构构建的横向联邦学习系统，中心服务器负责将初始模型发送给各参与者（即数据拥有者，也称客户端）{1，2，...，K}，其中，K表示参与方的数量，通常K的值大于或等于2。数据拥有者{1，2，...，K}分别使用各自的本地数据集来更新初始模型，并将更新后的模型权重参数（或梯度）发送给聚合服务器。之后，聚合服务器将从数据拥有者处接收到模型参数，使用模型聚合的办法[例如联邦平均（FedAvg）算法]得到全新的全局模型，服务器将结合后的全局模型重新发送给各参与方，进行下一轮的联邦训练。这一过程重复进行，直至模型收敛或达到最大迭代次数或达到最长训练时间为止。