在联邦学习中，服务器作为中央协调者，扮演着关键角色，负责管理整体学习过程，而无需访问位于各个设备上的原始数据。它的主要职责包括从各个客户端汇总模型更新，组织训练过程，并确保个体贡献能够安全整合以形成一个统一的全球模型。在客户端使用本地数据集进行工作时，服务器则促进通信并同步更新，以开发出一个强大的机器学习模型。
服务器的一个具体任务是接收来自不同客户端的模型更新，这些客户端在使用各自的数据训练了本地模型后进行更新。例如，如果一家银行在多个分支机构使用联邦学习来预测贷款违约情况，系统会利用每个分支的本地客户数据训练模型。训练完成后，每个分支的模型会将其更新发送回中央服务器。然后，服务器会对这些更新进行平均化，将本地洞察整合在一起，而实际上并没有看到使用的数据，从而保护数据隐私和安全性。
此外，服务器还负责管理联邦学习过程中的其他元素，例如调度客户何时需要训练或更新，并监控全球模型的性能。例如，它可能决定定期将最新版本的全球模型发送回每个客户端以进行进一步的训练。这确保所有客户端使用最新版本的模型，同时仍然保护存储在其设备上的敏感用户数据。因此，服务器成为联邦学习的支柱，既保证有效的训练，又遵循隐私要求。