联邦学习是一种方法，允许多个参与方在不共享原始数据的情况下协作进行人工智能模型训练。与将所有数据集中到一个中心位置不同，联邦学习使每个参与者能够使用自己的数据训练本地模型。在训练完成后，仅将模型更新——即学到的参数——发送到中央服务器。服务器随后汇总这些更新，以形成一个更好的全局模型，而无需访问底层数据。这个过程使得组织之间的合作变得更加容易，因为它们可以在提高人工智能系统的同时，维护数据的隐私和安全。
联邦学习的一个重要优势是能够处理分布在不同地点的多样化数据集。例如，医疗保健领域的组织可能希望在不共享敏感患者数据的情况下，训练一个共享的诊断人工智能模型。医院可以在内部数据（如患者记录）上训练自己的模型，然后只将模型改进提交回中央服务器。通过组合这些更新，共享模型变得更加智能和稳健，惠及所有参与组织，同时确保患者信息的安全和隐私。
此外，联邦学习还可以支持更好的模型个性化。在移动设备等应用中，个性化至关重要，设备可以在用户交互中学习，同时将个体使用数据保留在设备上。例如，一个智能手机键盘可以从众多用户的打字模式中学习，而无需收集或共享这些用户所输入的内容。这导致通过改善键盘预测来增强用户体验，同时确保个人数据既不被收集也不被暴露。通过以安全的方式启用协作训练，联邦学习为高级人工智能应用铺平了道路，这些应用在利用来自不同环境的多样且丰富的数据集的同时，也尊重隐私。