在联合学习中，嵌入发挥着至关重要的作用，使本地模型能够学习有用的数据表示，而无需跨设备共享原始数据。联合学习允许多个设备或边缘节点协同训练模型，同时保持数据分散，确保隐私和安全。嵌入有助于这些本地模型生成紧凑且有意义的数据表示，可用于训练而无需传输敏感信息。
例如，在基于文本的应用程序的联合学习中，设备可以在设备上本地学习单词或文档嵌入，然后共享对模型的更新 (例如权重更新或梯度信息)，而不是实际的嵌入本身。这确保了隐私被维护，因为敏感数据从不与中央服务器共享。
嵌入在自然语言处理 (NLP) 任务、图像识别和推荐系统的联合学习中特别有用，因为它们提供了丰富而紧凑的数据表示，可以从多个本地设备轻松更新和聚合。随着时间的推移，这些联合模型可以通过从设备上的不同数据集中学习来改进，从而更好地推广到新的、看不见的数据，同时保持隐私。