联邦学习是一种允许多个设备或服务器在保持数据本地化的情况下协同训练模型的方法。联邦学习系统中常用的架构主要包括客户机-服务器模型、点对点（P2P）架构和分层联邦学习。每种模型都有其独特的优点和应用场景，使它们适用于不同的应用和环境。
在客户机-服务器模型中，一个中央服务器协调参与客户机（如移动设备或边缘设备）之间的训练过程。客户机使用本地数据训练模型，并定期将模型更新（如梯度）发送回服务器。服务器通过平均等技术聚合这些更新，从而形成一个全局模型。由于其简单有效，这种架构被广泛应用，特别是在个性化移动应用等场景中，用户数据保留在其设备上，确保了隐私，同时提升了模型性能。
点对点架构允许客户机之间直接共享更新，而不依赖于中央服务器。在这种设置中，参与设备可以直接协作和交换模型参数，促进了一种去中心化的方式。该模型可以提高可扩展性并减少延迟，使其适用于客户数量众多或服务器可用性不可预测的环境。最后，分层联邦学习通过将客户机分为组或簇，增加了另一个层次。每个簇可能有其本地服务器，在将更新发送到更高层级的服务器之前进行聚合，从而优化聚合过程，提高大规模环境中的通信效率。这种架构在数据分布不均匀的场景中特别有利，例如涉及多个机构的医疗保健应用。