联邦学习是一种机器学习方法，能够在去中心化的设备上进行算法训练，同时保持数据的本地化。这意味着数据保留在用户设备上，从而增强了隐私和安全性。联邦学习中常用的几种算法，最显著的包括联邦平均（Federated Averaging，FedAvg）、联邦随机梯度下降（Federated Stochastic Gradient Descent，FedSGD），以及更先进的技术如联邦多任务学习和联邦迁移学习。
联邦平均（FedAvg）是该领域的一项基础算法。它通过在每个参与设备上使用私有数据进行本地训练，然后将模型更新（权重更新）发送回中央服务器。中央服务器再对这些更新进行平均，以改善全局模型。这种方法在全球模型改进和本地数据隐私之间取得了平衡，使其易于实现，并对许多应用有效。例如，它可以用于移动设备，通过基于个性化打字习惯改善键盘建议，而不会损害用户隐私。
另一个常用的技术是联邦随机梯度下降（FedSGD），在这种方法中，本地训练后，更新不会进行平均，而是直接在每轮本地训练后发送到服务器。这可以在特定任务上实现更快的收敛，但可能需要额外的通信开销。更先进的方法，如联邦多任务学习，允许不同设备学习不同任务，同时共享知识，这在设备的数据分布显著不同的情况下特别有益。总体而言，这些算法在创建稳健的机器学习模型的同时，保持数据安全，提供了灵活性和效率。