在联邦学习（FL）中，服务器与客户端之间的通信主要通过去中心化的方法进行。在这种设置下，客户端（设备或节点）对其自身数据进行本地训练，并定期将其模型更新传达给中央服务器。这个过程通常涉及发送聚合的模型信息，而不是原始数据，这有助于维护用户隐私和数据安全。服务器收集来自多个客户端的这些更新，对其进行平均或聚合，然后将更新后的全局模型分享给客户端以进行进一步训练。
例如，在一个移动设备参与联邦学习以进行预测文本的场景中，每个设备在其自身用户数据（如打字模式）上训练模型。在一定数量的迭代后，每个设备计算其模型更新（如权重调整）并将其发送回服务器。服务器并未接收到原始的打字数据，而是接收到了改进全局模型的更新。这一步至关重要，因为它限制了敏感用户数据的暴露，同时仍能从多样化的数据源中获益于集体学习。
此外，可以优化通信以减少带宽使用和延迟。在发送模型更新到服务器之前，可以应用量化或压缩等技术。此外，可以利用安全聚合方法以确保客户端的贡献在更新过程中保持私密。通过高效管理通信，联邦学习能够实现稳健的模型训练，同时保护用户数据安全，并确保学习过程可以扩展到多个客户端。