“联邦多任务学习（FMTL）和标准联邦学习（FL）都是旨在从分布式数据中学习而无需集中数据的方法。它们的关键区别在于目标和如何利用客户端设备上的数据。标准联邦学习的重点是基于分布在多个客户端的数据显示训练一个单一的全球模型。每个客户端利用其数据在本地训练模型，然后将模型更新发送回中央服务器，服务器汇总这些更新以改进全球模型。其主要目标通常是提升模型在不同环境中单一任务的表现。
另一方面，联邦多任务学习允许在客户端设备上同时训练多个针对不同任务的模型。在这种设置中，每个客户端可以拥有独特的数据分布和自己的任务，但系统学习借助这些任务之间的共享知识。例如，在医疗保健环境中，一家医院可能拥有与糖尿病预测相关的数据，而另一家医院则拥有与心脏病预测相关的数据。在联邦多任务学习中，系统将学习能够处理这两项任务的模型，从而利用不同医院之间的共享学习经验，而不损害患者隐私。
这种方法上的差异带来了独特的优势。在联邦多任务学习中，相关任务之间的知识转移能够提升整体性能和模型的泛化能力。通过利用来自多个来源和任务的数据，模型可以学习更好的表示，从而增强其有效性。而在标准联邦学习中，缺乏任务多样性可能限制模型在未见数据或任务上的泛化能力，而FMTL则主动寻求弥补不同任务之间的知识差距，从而带来更丰富的学习体验。”