1. 联邦学习概述
1.1 联邦学习的定义
联邦学习，说白了就是一种「数据不动，模型动」的分布式机器学习方案。我在最早接触这个方向时，也以为它只是普通分布式训练的变种。后来踩过坑才明白——它解决的核心痛点是：参与方的原始数据永远不离开本地，只交换模型参数或梯度，最终协作一个全局模型。
举个例子。假设三家医院都想训练一个癌症诊断模型，但每家内部患者数据不能出医院。传统做法是数据集中到一起，这显然违反隐私法规。联邦学习的做法：每家先用自己的数据训练本地模型，再把模型参数（不是数据）发到一个中央服务器，服务器聚合参数后下发更新。如此反复迭代，最终得到一个共享模型。
关键公式（FedAvg 核心步骤）
服务器每轮从 K 个客户端中选 C 个，分发当前全局模型 wt
每个客户端 i 在本地数据上执行 E 轮 SGD，得到 wt+1i
服务器聚合：wt+1 = Σ (ni / n) · wt+1i
服务器每轮从 K 个客户端中选 C 个，分发当前全局模型 wt
每个客户端 i 在本地数据上执行 E 轮 SGD，得到 wt+1i
服务器聚合：wt+1 = Σ (ni / n) · wt+1i
我经历过一个真实项目：某金融集团希望用多家子公司的交易数据训练风控模型，但子公司之间因为合规要求不能共享原始数据。我们当时就是用了联邦学习框架，把加密梯度聚合拧了上去。效果虽然比集中式差一点（大概 2-3% 的 AUC 下降），但合规性直接过了监管关。
1.2 联邦学习的分类
你想想看，不同场景下数据分布的方式完全不同。一般按数据在特征空间和样本空间的分布情况，分成三类：
| 类型 | 数据特点 | 典型案例 |
|---|---|---|
| 横向联邦学习 | 各参与方特征重叠多，样本重叠少 | 不同银行的用户信用评估 |
| 纵向联邦学习 | 各参与方样本重叠多，特征重叠少 | 银行+电商联合风控（同一用户，不同维度数据） |
| 联邦迁移学习 | 样本和特征都重叠很少 | 跨国企业跨地域建模 |
我建议在实际选型时，先花三天时间盘点清楚各方的数据治理能力。横向联邦最常用，技术成熟度高；纵向联邦需要做样本对齐（常用 PSI 协议），这里坑很多，后面章节我们会细讲。
1.3 联邦学习的应用场景
近两年联邦学习落地的领域越来越广，我挑几个自己亲历或调研过的场景：
- 医疗健康：多中心协作诊断。记得有个心血管疾病预测项目，联合了 4 家三甲医院，数据总样本数翻了 6 倍，但每家的原始数据从未离开过院区。
- 金融风控：信用卡反欺诈、信贷审批。银行之间、银行与电商之间做纵向联邦，把用户消费特征和征信特征结合起来。
- 智能物联网：手机输入法预测、智能家居用户习惯建模。全球数亿手机终端各自训练，只上传模型梯度，用户隐私留在本地。
- 推荐系统：跨平台的用户画像补全。「我」见过一个实际案例，某短视频平台和电商平台通过联邦学习做跨域推荐，CTR 提升 8%。
1.4 联邦学习面临的挑战
嗯，这里要注意——联邦学习不是万能药。我踩过的坑和业内常见的痛点集中在这几个方向：
- 通信开销巨大：每轮都要传送模型参数，几百兆的模型在多轮迭代下带宽压力极大。我曾经在 5 个客户端、30 轮训练后，发现 60% 的时间都耗在了通信等待上。
- 数据非独立同分布：各客户端数据分布不一样（医学影像、用户行为），直接 FedAvg 会导致模型收敛慢甚至不收敛。我建议必须加入归一化或聚类矫正。
- 隐私风险：即使只传梯度，恶意攻击仍能从梯度反推原始数据。所以我强调「联邦 + 密码学」必须配合使用，后面章节会展开同态加密和安全多方计算。
- 系统异构：不同设备算力、存储、网络差异大。我曾在一个物联网项目里，部分终端是老旧树莓派，用 GPU 模型直接跑死。后来改用了轻量级模型蒸馏方案。
- 数据质量与标签缺失：很多场景下客户端根本没有标注数据，如何做半监督或无监督联邦学习仍是活跃研究课题。
避坑提醒： 我早期一个项目没重视数据分布偏差，直接用 FedAvg，结果全局模型在非主导类型样本上准确率掉了 17%。后来加了自适应权重加权，才算拉回来。正式上线前一定要做分布诊断。
1.5 本章知识体系图谱
下面这张图概括了联邦学习的核心概念和关系。你看一眼，后面的章节基本都围绕这棵树展开：
提示： 如果你刚开始接触联邦学习，建议先弄懂横向联邦的 FedAvg 流程。我自己的学习路径是：FedAvg -> 通信压缩 -> 安全聚合 -> 同态加密 -> 纵向联邦 PSI。跳跃式学习容易混淆。
好了，联邦学习的全景图大概就是这样。后面的章节我会一步步带你把每个组件拆开，从密钥协商、加密协议到底层工程实现，都会结合我实际踩过的坑来讲。你准备好，我们直接进入实践。