在联邦学习中，更新通过一种汇聚多个设备模型更新的过程进行同步，而无需共享原始数据。每个参与的设备，例如智能手机或物联网传感器，使用其自己的数据训练模型的本地副本。一旦训练完成，每个设备将其模型更新（通常是神经网络的权重和偏差）发送到中央服务器。该方法确保敏感数据保留在设备上而不被传输，从而增强隐私。
中央服务器在结合这些更新中发挥着关键作用。在收集到来自设备的模型更新后，服务器使用如联邦平均（Federated Averaging）等方法进行汇聚。这涉及到对所有参与设备的权重进行平均，从而生成一个新的全球模型，该模型反映了来自不同设备的多样化数据集所学习的知识。例如，如果三个设备发送其更新的模型参数，服务器将计算这些参数的平均值以生成单一的更新模型。然后，将该汇聚模型发送回设备，使其能够继续使用最新版本进行训练，而无需重新分发个体用户数据。
同步还需要对通信和时间进行仔细管理。为了避免陈旧更新等问题，系统可能会强制规定设备何时发送更新和接收汇聚模型的时间表。异步更新或协调训练轮次等技术可以有效管理这一过程。例如，一些设备可能比其他设备更早完成本地训练，因此它们可以立即发送更新，而较慢设备的更新批次则可以稍后处理。这些策略确保了模型保持最新，并且训练可以在所有参与设备之间协作进行。