一種在不共享原始資料的情況下跨多個裝置或組織訓練模型的方法。每個參與者在自己的資料上訓練模型的本地副本，並僅將模型更新（梯度）發送給中央協調者，而非將資料發送到中央伺服器。協調者匯總所有參與者的更新以改進全域模型。
聯邦學習使得能夠在因隱私、法規或競爭顧慮而無法集中化的資料上進行 AI 訓練。醫院可以協作訓練診斷模型而不共享病人記錄。公司可以改進共享模型而不暴露專有資料。這是目前最實用的大規模隱私保護 AI 訓練方法。
標準的聯邦學習演算法（FedAvg）：（1）伺服器將當前模型發送給選定的參與者，（2）每個參與者在其本地資料上訓練模型數個步驟，（3）參與者將更新後的模型權重（而非資料）發送到伺服器，（4）伺服器對更新取平均並建立新的全域模型，（5）重複。關鍵特性：原始資料永遠不會離開參與者的裝置。
非獨立同分布（Non-IID）資料：參與者通常具有非常不同的資料分布（東京的醫院與聖保羅的醫院有不同的病人統計特徵）。這使得訓練不穩定 — 不同參與者的更新可能會衝突。通訊成本：通過網路發送模型更新（可能是數十億個參數）是昂貴的，特別是對行動裝置。搭便車者：接收改進模型但貢獻低品質更新的參與者。這些挑戰使聯邦學習比集中式訓練更困難，但每個挑戰都有活躍的解決方案。
Apple 使用聯邦學習進行鍵盤預測（從你打的字中學習而不將你的文字發送到 Apple）。Google 用於改善搜尋建議。醫療保健聯盟用於多醫院模型訓練。該技術在以下情況最有價值：資料真正敏感（醫療、金融），法規阻止資料共享（GDPR、HIPAA），或資料太大而無法集中化（數十億的行動裝置互動）。