1.3.3　分布式机器学习与联邦学习的共同发展

分布式机器学习发展到现在，也产生了隐私保护的一些需求，从而与联邦学习产生了一些内容上的交叉。常见的加密方法，如安全多方计算、同态计算、差分隐私等也逐渐应用在分布式机器学习中。总的来说，联邦学习是利用分布式资源协同训练机器学习模型的一种有效方法。联邦学习是一种分布式机器学习方法，其中多个用户协同训练一个模型，同时保持原始数据分散，而不移动到单个服务器或数据中心。在联邦学习中，原始数据或基于原始数据进行安全处理生成的数据被用作训练数据。联邦学习只允许在分布式计算资源之间传输中间数据，同时避免传输训练数据。分布式计算资源是指终端用户的移动设备或多个组织的服务器。联邦学习将代码引入数据，而不是将数据引入代码，从技术上解决了隐私、所有权和数据位置的基本问题。这样，联邦学习可以使多个用户在满足合法数据限制的同时协同训练一个模型。