你有沒有想過，資料不能集中到同一台機器，模型還能一起學嗎？
你可以把聯邦學習想成各自保留資料、只交換學習成果的協作方式，資料不搬家，模型照樣能一起變強。
它重要，是因為很多場景資料很敏感，像醫療和金融，不能輕易把原始資料集中起來。
你可以把它想成一個把抽象概念拉回日常判斷的提示，先知道它解決什麼問題，再看技術細節。
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。
iPAS 考題
Q：聯邦學習的最大特色是什麼？ → 資料保留在本地，只共享模型更新，降低原始資料外流風險。
Q：聯邦學習適合什麼場景？ → 適合資料分散且敏感的場景，例如醫療、金融或跨機構合作。
情境判斷
Q1： 如果你不能把各分院的病歷集中起來，還想做共同模型，聯邦學習合適嗎？
合適，因為它就是為這種不能集中資料的情況設計的。
Q2： 只要用了聯邦學習，就完全沒有隱私風險嗎？
不一定，模型更新仍可能帶出資訊，通常還要搭配額外保護機制。
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。