---
title: "聯邦學習（Federated Learning）"
slug: federated-learning
language: zh-TW
source: https://aiterms.tw/terms/federated-learning
updated_at: 2026-04-29
tags: [機器學習, 模型訓練, AI應用, 聯邦學習]
ipas_term: true
---

# 聯邦學習（Federated Learning）

> **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
> **Q：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。
>
> **Q：模型更新會洩漏資料嗎？**
> 有可能，所以常需要再加保護。
>
> **Q：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。
>
> **Q：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。

### 相關術語
> - **差分隱私**：常用來補強聯邦學習的隱私防護。
> - **機器學習**：先懂它，才知道聯邦學習是在改哪一段流程。
> - **模型部署**：聯邦學習常和多端部署一起出現。
> - **模型監控**：多端訓練後，還要看模型有沒有一致變化。
> - **微調**：有些聯邦流程會搭配它更新既有模型。

---

來源：https://aiterms.tw/terms/federated-learning
快查頁：https://aiterms.tw/terms/federated-learning
最後更新：2026/04/29
深度解說：https://aiterms.tw/learning/what-is-federated-learning