联邦学习基础概念
聊联邦学习之前，先问个问题：你有没有遇到过这种情况——数据明明就在那，但就是不能拿过来用？嗯，这就是联邦学习要解决的核心痛点。说白了，联邦学习就是让多方在不交换原始数据的前提下，共同训练一个模型。我最早接触这个方向是在一次医疗AI合作中，几家医院的数据各自躺在自己的机房里，谁都不想给别人碰。绕了一圈，最后还是靠联邦学习破的局。
1.1 定义
联邦学习的官方定义有点绕。我习惯这么理解：
联邦学习 = 数据不动模型动。每个参与方用自己的本地数据训练模型，只把模型参数（或者梯度）加密上传到中心服务器，服务器聚合后下发更新。整个过程原始数据不出本地。
核心公式很简单：
全局模型 = 聚合(本地模型₁, 本地模型₂, ..., 本地模型ₙ)这里的聚合算法常见的就是 FedAvg（联邦平均）。我在项目里实测过，如果数据分布接近，FedAvg收敛速度和集中训练相差不到 5%。但一旦数据非独立同分布，就得加一些自适应加权策略了。
避坑提示：我曾经吃过一个亏，以为所有参与方都要同步做迭代。实际上联邦学习分同步和异步两种模式。同步模式下，服务器等最慢的节点；异步模式下，谁先返回谁先聚合。网络环境差的时候，异步明显更靠谱。
1.2 分类
联邦学习不是一刀切的。根据数据分布的形式，业界一般分成三类。我自己整理了个对比表：
| 类型 | 数据特征 | 典型场景 | 我踩过的坑 |
|---|---|---|---|
| 横向联邦学习 | 各参与方特征重叠多，样本不同 | 不同银行的信用卡欺诈检测 | 对齐样本ID时没做差分隐私，差点暴露用户 |
| 纵向联邦学习 | 各参与方样本重叠多，特征不同 | 金融机构+电商平台联合风控 | 实体对齐的加密计算慢到让人崩溃 |
| 联邦迁移学习 | 样本和特征都只有部分重叠 | 跨语言、跨领域的模型迁移 | 迁移中特征空间不一致，收敛极慢 |
举个实际例子。我之前帮一家连锁超市做库存预测，不同分店的商品种类基本相同，但每个分店的顾客不同——这就是典型的横向联邦场景。而另一个项目里，银行和保险公司合作做反欺诈，银行有用户的交易流水，保险公司有理赔记录，重叠的用户很多，但特征完全不同——这就是纵向联邦。
特别注意：纵向联邦学习中，实体对齐是最大瓶颈。我曾经用 PSI（隐私集合求交）做了一个对齐流程，数据量才 10 万条，跑了快 3 小时。后来改用布隆过滤器+哈希优化，压缩到 15 分钟。选对工具很重要。
1.3 应用场景
联邦学习不是停留在纸面上的概念。我把它实际落地的场景归纳为三大类——下面这张图你可以直观感受一下整体架构：
具体来说，这三个领域是我实际踩过坑、也看到价值的：
- 医疗场景：不同医院患者的影像数据、病理报告属于高度敏感数据，联邦学习可以让各医院共用一个诊断模型，但数据不出院。我们当时做肺部CT病灶检测，联合了5家三甲医院，效果比单独训练提升了12%的准确率。
- 金融场景：银行、保险、支付机构之间的黑名单共享一直是个难题。用纵向联邦学习，银行和支付平台可以在不交换用户明细的前提下，共同训练一个更精准的欺诈评分模型。这种场景下密钥协商的强度直接影响安全性——这也是本课程后面几章要深挖的重点。
- 智能设备（IoT）：手机输入法预测、智能家居语音识别，这些场景天然就是横向联邦。每个设备上的数据量虽小，但设备数量巨大。我记得做的一个打字预测项目中，10万部手机参与联邦训练，模型收敛速度比我预想快很多，但通信开销是个大坑——一次全局迭代就要传几十MB梯度，没有好的压缩算法根本扛不住。
一句话总结：联邦学习不是银弹，它的价值在于保护隐私的前提下让数据价值流动。分类和场景决定了你选哪种架构，而后续章节要讲的密钥协商参数配置，直接决定了这套架构的安全底裤到底有多厚。
我个人的建议是：初学者先别急着调参数，先把这三个分类和应用场景对应清楚了。我见过太多人上来就调 num_round 和 local_epoch，结果场景选错了，调参调出花来也救不了。你对基础概念的理解越扎实，后面参数的每一刀才能砍到点子上。