概念:
聯邦學習(Federated learning)是壹種機器學習技術，它可以在多個分散的邊緣設備或服務器上訓練算法，而無需交換數據樣本。
聯邦學習發展:
1和2017年，Google AI在博文《聯合學習:協同機器學習沒有集中的訓練數據》中首次引入了“聯邦學習”的概念。
從2016到10，Google發表的壹篇開創性的研究論文奠定了聯邦學習的基礎，其中深入探討了壹種新的方法叫做聯邦優化——聯邦優化:面向設備智能的分布式機器學習。
2.2019年，Google實現了第壹個產品級聯邦學習系統。據了解，這壹系統主要以運行在手機上的聯邦平均算法為核心，可用於監控大規模集群設備的統計數據，而無需在雲端記錄原始設備數據。
聯邦學習的功能和優勢:
功能:
為隱私保護而生的區塊鏈技術很可能與聯邦學習融合，* * *將為海量數據建立隱私保護的“堡壘”。區塊鏈以其透明、分布式、不可篡改的優勢吸引了各領域從業者的關註。在新基礎設施的浪潮下，區塊鏈“蓄勢待發”。
新興技術與發展的結合是數字經濟時代的特征表現。作為新基礎設施的掌門人，5G與區塊鏈的融合已經提上日程，有望成為未來數字經濟的重要基石。聯邦學習和區塊鏈有異曲同工之妙，未來的融合發展也是理所當然的。
優勢:
傳統的機器學習需要先把數據收集到中心，然後才能進行模型訓練。在這個過程中，需要傳輸和存儲原始數據。隨著數據量的增加，相對成本也呈指數增長。同時，數據離開域後，數據會變得不可控，導致數據隱私泄露，埋下數據安全隱患。
聯邦學習技術可以在多個機構間構建數據安全、高效、合規的統壹多源數據應用生態系統，實現跨機構的數據共享和整合，通過系統擴大樣本規模、增加數據維度，為大數據應用的高精度模型構建提供有力支撐，從而提供更豐富、更高質量的大數據服務，為社會發展創造更多價值。