在联邦学习中，模型聚合是一个过程，多台客户端设备在本地数据上训练自己的模型，然后将结果结合起来形成一个全局模型。客户端不共享原始数据，因为这样会带来隐私和安全风险，而是向中央服务器发送更新。这些更新通常包括反映客户端从其本地数据集中学习到的模型权重、梯度或总结。服务器随后对这些更新进行聚合，以创建一个新的、改进的全局模型，从而利用所有参与客户端的集体知识。
模型聚合最常用的方法是联邦平均（Federated Averaging，FedAvg）算法。在这种方法中，每个客户端使用其本地数据集训练模型一定数量的周期。在训练之后，客户端将其模型权重发送给服务器。服务器收集所有客户端的权重，并根据每个客户端在训练中使用的数据点数量计算加权平均。例如，如果某个客户端的数据显著多于其他客户端，那么它对全局模型的贡献将更具影响力。这确保了最终模型反映了所有客户端数据的分布，从而有助于提高模型的性能和稳健性。
在聚合过程之后，全局模型会被发送回客户端，客户端可以使用它进行预测或继续训练。这种本地训练和全局聚合的循环可以重复多次，逐步完善模型。通过平衡本地学习和集体知识，联邦学习能够建立强大的模型，同时保持敏感数据的本地化，从而解决了医疗和金融等数据敏感性至关重要领域的隐私问题。