Federated（联邦学习/Federated Learning）是一种分布式机器学习范式，模型训练在用户本地设备或机构内完成，只上传参数更新而不传出原始数据，因而被广泛视为兼顾数据隐私与协作建模的关键技术。目前它已从移动端输入法等早期场景，扩展到医疗影像、大模型微调等多个方向，研究热点集中在通信效率、隐私攻击防御与合规训练上。
Federated Learning 近期进展
当前焦点与观察点
从近期文献看，Federated 研究正呈现三条主线。其一是效率与个性化并重：除 CTP-FL 外，Best of Both Worlds in Federated LSA 试图在可行时加速、必要时个性化，反映社区对“统一模型 vs 本地适配”权衡的持续探索。其二是安全边界被反复检验：多步梯度反演的路径积分代理方法说明攻击方也在进化，防御研究需要同步跟进。其三是治理与合规进入技术设计：PoCoFL: POlicy-COmpliant Federated Learning 尝试把数据策略约束直接嵌入训练过程，Bias-Cancelling Weights 则关注众包数据中的偏差修正。
值得观察的是，随着基础模型成为主流载体，联邦学习与可信执行环境、差分隐私的组合正在成为工业界的默认架构，而学术界则在投毒、反演等攻击面上持续加压。医疗等强监管领域的实际部署效果，将是判断该技术能否规模化落地的关键信号。