一句话定义
联邦学习（Federated Learning）是一种训练机器学习模型的方式：原始数据始终留在各自的设备或机构里，只有模型更新（梯度、参数）被上传汇总，用来迭代一个全局模型。
它是怎么运作的
设想三家医院想共建一个影像诊断模型，但患者的片子受法规和隐私约束，谁也不能把数据拿出来共享。联邦学习给出的办法是：
1. 服务器先初始化一个模型，下发给三家医院；
2. 每家医院用自己本地的数据训练几轮，得到一个“本地版”模型；
3. 各家把模型更新（而不是数据）传回服务器；
4. 服务器把更新按样本量加权平均，合成新的全局模型，再发下去；
5. 重复多轮，模型就间接“见过”了三家的数据。
打个比方：几位厨师各自在自家厨房试菜，不把食材搬到一起，只把调整后的菜谱递出来；由一个人把菜谱加权调和成一份公共菜谱，再发回去继续试。几轮下来，公共菜谱就吸收了各家风味。
这里有个常见误解：联邦学习不等于绝对安全。上传的更新仍有可能被反推、被推断出原始信息。所以实际系统常叠加差分隐私（AI 词典：Differential Privacy">Differential Privacy，给更新加噪声）、安全聚合（Secure Aggregation，服务器只能看到聚合结果）等技术。具体安全强度要以具体实现和官方说明为准。
和相邻概念的区别
| 对比 | 传统集中式训练 | 分布式训练 | 联邦学习 |
|---|---|---|---|
| 数据在哪 | 汇集到一个数据湖 | 同一集群内切分 | 分散在各参与方本地 |
| 主要目的 | 用全量数据训练 | 用多机多卡加速 | 数据不出域、保护隐私 |
| 上传什么 | 原始数据 | 梯度／参数（通常同源） | 模型更新 |
| 主要难题 | 合规、传输成本 | 通信、同步 | 数据异构、通信开销、安全加固 |
关键差异在“数据是否同源”。分布式训练里各份数据通常来自同一分布，只是被切开；联邦学习里各参与方的数据分布往往差异很大（即非独立同分布，Non-IID），这会拖慢收敛，是工程上的主要难点之一。
对从业者和普通人的意义
对从业者，联邦学习打开了一条“跨机构合作建模”的路：医院之间、银行之间可以在不交换患者明细和客户流水的前提下共建风控或诊断模型；手机端也能用——输入法在本地学习你的输入习惯，只把模型更新传上去改善联想词。
对普通人，它的价值在于：你的敏感数据更少离开自己的设备或机构，但模型依然能从群体数据中获益。同时要意识到，它是降低风险的手段，不是隐私保护的全能药；一个系统到底安不安全，取决于它如何做安全聚合、差分隐私和审计，遇到具体产品时以官方页面为准。