“联邦学习中的本地模型指的是在分布式环境中，在特定设备或节点上训练的个体机器学习模型。与将来自多个源的数据聚合到中央服务器上不同，联邦学习允许每个参与设备使用本地数据训练其本地模型。这种方法最小化了数据迁移，并有助于保护用户隐私，因为敏感信息仍然保留在用户的设备上。一旦训练完成，只有模型更新（如梯度或权重）会被发送到中央服务器进行聚合，从而改进全局模型，同时确保原始数据的安全。
例如，考虑一个公司在移动电话上开发预测文本模型的场景。每部手机收集用户独特的打字习惯和语言偏好。在传统机器学习中，所有这些数据需要集中在一个地方进行训练，这可能会引发隐私问题。而通过联邦学习，每部手机基于本地数据训练自己的本地模型。这意味着个人的打字模式不会离开设备，但它们可以为改善一个更好地理解用户行为的共享全局模型做出贡献，该模型在许多设备上运行。
本地模型的优势在于它们能够适应不同用户或环境的特定细微差别。例如，用户设备上的本地模型可以更好地捕捉与他们所在地区或兴趣相关的词汇，从而提高性能。此外，随着新数据的可用，本地模型可以定期更新，使它们能够随着时间的推移不断演变，同时仍然保持用户隐私。因此，本地模型对联邦学习至关重要，因为它们支持去中心化的训练，同时增强安全性和个性化。