在数字化浪潮席卷各行各业的今天，数据被誉为“新的石油”，是驱动人工智能模型不断进化的核心燃料。然而，随着《中华人民共和国个人信息保护法》等法规的出台，以及公众对数据隐私意识的觉醒，传统的中心化机器学习模式正面临前所未有的挑战——数据无法集中，模型难以训练，一个个“数据孤岛”就此形成。

当医院、银行、政府机构都想训练AI模型却不敢共享数据时，如何破解这一困局？联邦学习（Federated Learning）应运而生。这一概念最早于2016年由谷歌提出，其核心思想可概括为八个字——“数据不动，模型动”。联邦学习颠覆了传统机器学习“将数据发送到模型”的工作流程，转而“将模型发送到数据”。各参与方在本地使用私有数据训练模型，仅上传加密后的模型参数更新，由中央服务器聚合形成全局模型。整个过程中，原始数据始终不出本地域。

这一“数据可用不可见”的范式，正在医疗、金融、政务等隐私敏感领域引发深刻变革。本文将系统介绍联邦学习的核心原理、分类方法、主要优势与局限，并通过丰富的应用案例展示其如何赋能千行百业。

一、联邦学习的核心原理

（一）基本思想：从“数据集中”到“知识协同”

传统的机器学习模型训练，通常需要将大量原始数据集中到一处进行处理。联邦学习则彻底改变了这一逻辑：数据保留在各自机构的本地服务器上，不会离开其原始位置。各机构基于本地数据独立训练模型，然后将模型的参数更新（如梯度或权重）上传至中央服务器。中央服务器负责聚合这些更新（最常用的方式是联邦平均算法，生成一个全局模型，再将其分发给各个参与机构。各机构基于新的全局模型继续在本地训练，循环往复，直至模型收敛。

这种设计实现了三重突破：隐私层面，原始数据永不离开设备，最大限度降低泄露风险；效率层面，仅传输模型参数而非海量原始数据，大幅节省带宽；合规层面，在医疗、金融等存在数据驻留法律的领域，联邦学习使跨机构协作合法合规成为可能。

（二）联邦学习的三种主要类型

根据参与方数据在样本空间和特征空间的重叠情况，联邦学习可分为三种主要类型。

1. 横向联邦学习

当参与的各机构拥有相同的特征空间但不同的用户群体时，适用横向联邦学习。例如，不同地区的医院都拥有患者的症状、检查指标等相似的数据特征，但患者群体不同。各医院在本地对各自数据进行训练，上传加密后的参数更新，由中央服务器聚合形成全局模型。

2. 纵向联邦学习

当参与各方拥有相同的用户但不同的特征空间时，适用纵向联邦学习。以银行和电商平台为例，两者可能拥有部分共同的用户，但银行掌握金融交易数据，电商平台掌握购物偏好数据。通过安全的样本对齐过程确定共同用户后，各方基于本地特征训练模型，加密交换参数完成联合建模。

3. 联邦迁移学习

当参与方的数据在样本和特征上都存在较大差异时，联邦迁移学习可以发挥作用。例如不同医院的医疗影像设备、成像技术、病例类型各不相同，可借助联邦迁移学习实现跨域建模。

三、联邦学习的主要优势

（一）破解“数据孤岛”，释放数据价值

联邦学习最核心的价值在于，它使数据在不离开本地的前提下实现跨机构协作。无论是医院之间联合训练疾病诊断模型，还是银行之间共建反欺诈系统，联邦学习都能有效打破机构间的数据壁垒。

（二）严守数据隐私，兼顾合规要求

联邦学习天然符合《中华人民共和国个人信息保护法》等法规要求。数据“不出域”的设计，使各参与方无需共享原始数据即可完成联合建模。在医疗、金融等对隐私和安全性要求极高的领域，联邦学习展现出不可替代的优势。

（三）缓解中心计算压力，提升系统可扩展性

将训练任务分散到各参与方本地执行，有效缓解了中心服务器的计算资源压力。随着参与方数量的增加，系统整体算力也随之扩展，具备良好的可扩展性。

（四）实现实时协同，捕捉最新模式

在金融反欺诈等动态场景中，联邦学习使各参与方能实时共享模型更新，既能捕捉最新的欺诈模式，又无需泄露交易明细。某方案实测显示，模型准确率提升15%至20%，响应速度达到毫秒级。

四、联邦学习的主要局限

（一）并非“绝对安全”，仍面临攻击风险

联邦学习本身并非隐私保护的“万能盾牌”。模型反演攻击试图通过模型的预测结果反推出训练数据；梯度反演攻击则借助传输过程中的梯度信息还原本地数据的敏感特征。这些攻击手段已在多项研究中得到验证。

为应对上述威胁，联邦学习通常与差分隐私技术相结合：在模型参数或输出结果中添加随机噪声，使攻击者难以准确推断单个用户的数据。不过，噪声越多隐私性越强，模型性能也可能随之下降——这是一道需要精细权衡的难题。

（二）通信成本高昂

每轮模型训练涉及大量参数在客户端与服务器之间传输，可能引发通信延迟和带宽压力。尤其在广域网环境中，频繁的参数传输会产生显著延迟。

（三）数据异构性挑战

当各客户端数据分布差异较大时（如不同地区医院的患者病例类型不同），全局模型可能出现收敛困难。这种“非独立同分布”（non-IID）问题是联邦学习面临的核心技术难题之一。

（四）设备算力参差不齐

各参与方的计算能力、存储资源、网络条件可能存在巨大差异，如何在异构环境中保证训练效率和模型质量，是联邦学习落地时必须面对的现实问题。

五、联邦学习的典型应用场景

（一）智慧医疗：打破数据壁垒，守护患者隐私

在罕见病诊断场景中，单个医疗机构往往缺乏足够病例数据。通过联邦学习框架，全球多家医院可以在不共享患者原始数据的前提下，共同训练疾病预测模型。

北京大学团队联合香港中文大学、清华大学等，采用联邦学习技术构建了分布式医疗数据分析平台，允许各参与方在不共享原始数据的情况下通过加密参数交互共同训练AI模型。台湾地区已通过联邦学习与泰国玛希敦大学合作，针对乳癌与肺结核影像进行跨国验证。某药企利用该技术将新药研发周期缩短40%，同时满足欧盟严格的医疗数据跨境传输限制。在医疗健康领域，联邦学习作为一种去中心化的机器学习范式，特别适用于对隐私和安全性要求极高的数据处理场景。

（二）金融风控：联合反欺诈，共建信用体系

金融行业是联邦学习最重要的应用阵地之一。某区域性银行与国有银行通过横向联邦学习整合信贷数据训练统一信用评分模型，小微企业主信用评估准确率提升40%，客户敏感信息全程未出本地。

在香港，虚拟银行通过联邦学习构建反洗钱模型，训练数据保留在各参与银行本地，仅交换加密的参数更新。香港金管局监管沙盒已批准6个涉及联邦学习的金融科技项目，其中某虚拟银行的反洗钱模型联合3家持牌机构，采用横向联邦学习架构，使可疑交易识别率提升至92.5%。工商银行在信贷风控中采用纵向联邦学习，联合银联数据构建商户贷款违约评分模型，解决了小微商户数据不足的痛点。摩根大通也在积极推动联邦学习在欺诈检测领域的应用。

（三）智慧政务：数据互通，提升治理效能

在政府治理领域，联邦学习同样展现出巨大潜力。某省采用联邦学习架构，实现公安、社保等12类政务系统的数据互通，数据调用时效提升300%。中电科大数据院基于联邦学习和区块链技术，首次提出了以数字身份为基础的“数据可用不可见”政务数据流通共享模式，成果已成功应用于国家多个部委的政务服务系统。

厦门市基于多源异构城市交通数据集（10亿条/天），构建了一体化的全域交通感知联邦大模型安全高效训推框架，研发了20个AI和联邦学习算法，支撑交警、交通局等部门调用2万次/月。政务大数据平台正借助联邦学习解决数据孤岛问题，推动数字政府建设进入深水区。

六、结语

联邦学习代表了人工智能发展的重要方向——在充分保护数据隐私的前提下释放数据价值。它以“数据不动模型动”的核心思想，打破了传统机器学习的中心化桎梏，为医疗、金融、政务等隐私敏感领域开辟了全新的协作范式。

当然，联邦学习并非万能。通信效率、数据异构性、安全攻击等挑战仍待攻克。但随着边缘计算、5G、差分隐私、区块链等技术的深度融合，联邦学习正在向更广泛的应用场景渗透。从“数据共享”到“知识协同”，联邦学习正在重塑AI训练的新范式。

对于每一位关注数据隐私与AI发展的从业者而言，理解联邦学习，就是理解下一代人工智能的底层逻辑。

文献引用

[1] 李程,袁勇,郑志勇,等.基于区块链的联邦学习:模型、方法与应用[J].自动化学报,2024,50(6):1059-1085.DOI:10.16383/j.aas.c230336.

[2] Bak M, Madai V I, Celi L A, et al. Federated learning is not a cure-all for data ethics[J]. Nature Machine Intelligence, 2024, 6(4): 370-372.