Federated Learning

联邦学习（Federated Learning）是一种分布式机器学习范式，允许多个参与方在不共享原始数据的前提下协同训练模型，数据始终留在本地，只交换模型参数或梯度更新。它被广泛应用于输入法、医疗影像、移动设备等数据敏感场景，近年来的研究重心正从'能不能训'转向'训得是否真的安全、高效、合规'。

联邦学习的近期进展

隐私对齐联邦学习新方法提升效率：arXiv 新研究提出隐私对齐思路，在保护数据的同时改善训练效率，反映出效率与隐私的权衡仍是该领域的核心课题。

隐私增强联邦学习框架通过异步聚合和本地差分扰动提升性能：该框架将异步聚合与本地差分扰动结合，说明差分隐私正在从'事后加噪'走向与通信机制深度耦合的系统级设计。

Google Research Moves Federated Learning Into TEEs: Gboard Now Trains With Externally Verifiable Differential Privacy：Google 于 2026 年 10 月宣布 Gboard 在可信执行环境（TEE）中训练，并支持外部可验证的差分隐私，被视为工业界从'声称保护'走向'可审计保护'的标志性一步。

真实标签噪声下联邦医学图像分割基准套件：噪声标签学习方法选择：医疗影像方向的基准测试显示，标签噪声会显著影响不同联邦方法的选择，凸显实际部署中数据质量的挑战。

联邦学习当前最受关注的问题是安全性。多项 2026 年的研究揭示，隐私机制与鲁棒性并非天然兼容：RING攻击：差分隐私联邦学习中的后门威胁表明即使引入差分隐私，后门注入依然可行；Federated Art Chase: Privacy Leakage and Data Poisoning in Federated Fine-Tuning 则指出联邦微调场景同时面临隐私泄露与数据投毒的双重风险；A Path Integral Surrogate for Multi-Step Gradient Inversion in Federated Learning 进一步改进了梯度反演攻击的多步重建方法，说明攻击技术仍在演进。

另一个趋势是合规与公平性被纳入算法设计本身。PoCoFL: POlicy-COmpliant Federated Learning 尝试让训练过程直接遵守数据策略约束，Asking the Crowd the Right Question: Bias-Cancelling Weights for Federated Learning 则通过权重设计抵消参与方分布偏差。此外，联邦学习正从传统模型扩展到多模态与具身场景，如研究联邦 VLA（视觉-语言-动作）适配中人工纠正数据的安全传播问题。

综合来看，联邦学习的发展方向已明确：以 TEE 与可验证差分隐私增强信任基础，以鲁棒训练对抗后门与投毒，并将合规与公平内化为算法约束。值得关注的是这些机制在真实大规模部署中的开销，以及安全声称能否被独立审计验证。