Federated Learning / 联邦学习

Federated Learning即联邦学习， 它是一种在数据隐私保护的背景下诞生的机器学习方案。

通常情况下，各个商业机构之间出于商业利益的考虑，很少会交换各自的数据（尤其是用户），但机器学习又很依赖数据，尤其是高质量的数据，既要保护各自数据的安全和用户隐私，还想发挥数据在机器学习领域的价值，联邦学习应运而生。

联邦学习通常分三类： 横向的联邦学习、纵向的联邦学习以及联邦迁移学习。 从技术上来说比较专业（比如搞FL的大多是博士学位起），但从业务场景出发理解就比较简单，其实就是围绕着数据特征选择不同的策略，比如横向的联邦学习是针对那些同构数据进行的共同建模，纵向的联邦学习则是针对异构数据（也就是特征差异比较大）进行共同建模。

从架构角度看，横向的联邦学习其实就是Master Workers结构的运算迁移，数据留在本地不动。 同类业务的机构，其实比较适合使用这种方式共同建模，共同获益。

随着对数据和隐私保护相关法律的颁布，比如GDPR和数据隐私保护法， 联邦学习的场景和应用范围或许会越来越广，只不过，现在很多实际需求更多还只是概念背书甚至向上汇报。