在联邦学习中，计算卸载主要是通过将训练任务分配到多个设备上来实现，而不是依赖于中央服务器进行所有计算。这种去中心化的方法允许设备（如智能手机或物联网设备）在本地进行机器学习模型的重负载训练。每个设备处理自己的数据，计算模型更新，然后仅与中央服务器共享必要的信息——通常是模型权重或梯度。服务器随后聚合这些更新，并在不访问各个数据集的情况下改进全局模型。
例如，考虑一个场景，多个用户从他们的智能手机上贡献数据，以改进预测文本模型。每当用户基于个人打字习惯发送更新时，他们的设备会在本地计算模型权重的调整。设备并不是上传原始文本或详细日志，而是仅发送计算得到的梯度。这种做法有利于减少带宽使用，并将敏感数据保持在本地，从而解决与中央集中个人数据相关的隐私问题。
总体而言，这种方法可以更有效地利用资源，并减少中央服务器的计算负载。通过利用多个设备的处理能力进行并行操作，联邦学习能够处理更大的数据集，并适应用户设备上不同的数据分布。这一策略不仅通过多样化的输入提高了模型精度，还通过允许系统增长而不对单一服务器基础设施施加过多负担，从而促进了可扩展性。