“联邦平均是联邦学习领域的一个关键方法，它允许多个设备或客户端在不共享本地数据的情况下协作训练机器学习模型。联邦平均的主要作用是聚合来自不同参与者的更新，以便在保护个人数据私密性的同时训练出一个全局模型。这种方法在数据隐私受到重视的场景下特别有用，例如在医疗或金融领域，敏感信息无法直接共享。
这一过程开始于中央服务器将当前全局模型的副本发送给多个客户端，比如智能手机或物联网设备。每个客户端使用这个模型在自己的数据上进行本地训练，根据其数据集中发现的模式改进模型。一旦本地训练完成，每个客户端只将模型更新——例如权重变化或梯度——发送回中央服务器，而不是共享实际数据。服务器然后对所有这些更新进行平均，以创建一个新的全局模型。这个平均过程确保中央模型能受益于从所有客户端获取的知识，同时保持其各自数据的隐私。
例如，考虑一个场景，一组医院希望改善患者诊断的预测模型。每家医院使用其患者数据训练自己的模型，并通过联邦平均分享模型更新。通过这样做，每家医院都为一个更强大的全局模型做出贡献，该模型捕捉到多样化的患者模式而不妨碍隐私。因此，联邦平均不仅增强了在不同数据集上的模型性能，还解决了敏感行业中数据安全和合规性的关键问题。”