在联邦学习中，数据分布在多个设备或位置，而不是集中在单一服务器或数据库中。每个参与的设备——例如智能手机、平板电脑或边缘服务器——存储自己的本地数据，这些数据可能包括用户交互、传感器数据或其他信息形式。这种去中心化的方式允许机器学习模型的训练直接在这些设备上进行，同时保持数据的本地性和隐私性。只有模型的更新或梯度——即改进模型所需的变更——被发送到中央服务器，而不是原始数据本身。
例如，考虑一个涉及移动应用用户的联邦学习场景，该应用用于健康追踪。每个应用从用户那里收集个人健康指标，如步数或心率。与其将这些敏感信息发送到中央服务器，不如让每个设备根据其所持有的健康数据计算本地模型的变化。这些结果——例如模型学习了多少——会被发送回服务器。中央服务器会聚合来自多个设备的这些更新，以改进全球模型，然后再将其共享回设备，而无需暴露任何单个用户的数据。
这种方法不仅提高了隐私和安全性，还有效利用了分布式设备的计算能力。参与联邦学习的开发人员必须实施机制，以确保设备与服务器之间通信的效率，同时最小化传输的数据量。这包括安全聚合、差分隐私和模型更新的强大框架等技术，确保集体学习过程的有效性，并增强对数据泄露的抵御能力。