聯邦學習 是什麼？

Federated Learning — 聯邦學習 的完整解釋

聯邦學習是一種多方協作的機器學習方法，各方在本地訓練模型，僅共享模型更新，保護原始資料

容易混淆

聯邦學習 vs 分散式學習 分散式學習偏向把訓練工作拆開來跑，重點是效率。 聯邦學習更重視資料不離開本地，重點是隱私與合規。

聯邦學習 vs 差分隱私 聯邦學習是訓練架構。 差分隱私是保護機制，常拿來補強聯邦學習的隱私保護。

記住這句就好

資料留在原地，模型更新往外送，就是聯邦學習。

實際案例

醫院合作 各院保留病歷，只共享模型更新，大家一起訓練疾病預測模型。

銀行聯盟 各家銀行不交換客戶明細，只交換訓練結果，協作做風險評估模型。

算法與應用

常見流程是本地訓練、伺服器聚合、再分發新模型，反覆多輪迭代。 真正難點通常不是模型本身，而是通訊成本、資料分布不一致和隱私保護。

聯邦學習 在 iPAS 考試中的重點

根據歷年統計，聯邦學習 相關題目 平均佔 AI 技術類考題 4%， 屬於未分類考範圍。

常見出題方向：分散式機器學習架構（40%）、AI 系統資料隱私保護（35%）、安全與可信賴 AI 技術（25%）。

常見問題

聯邦學習一定比集中式訓練差嗎？

不一定，差異常來自資料分布和通訊條件，不是架構本身。

模型更新會洩漏資料嗎？

有可能，所以常需要再加保護。

這和資料上雲有什麼差別？

聯邦學習通常不把原始資料上雲，而是把訓練搬到資料所在地。

聯邦學習只能做監督式學習嗎？

不只，很多學習型任務都能改成聯邦式流程。