Federated Learning — 資料不出門，模型來學習
想像三家醫院想一起訓練 AI 診斷模型，但病歷不能外洩：
就像手機鍵盤的自動選字：它學你的打字習慣，但「你打的字」永遠留在手機裡，只有「習慣參數」會上傳。
| 面向 | 說明 |
|---|---|
| 問題 | 資料不能集中(隱私／法規／出境) |
| 做法 | 資料不動、各端本地訓練,只傳模型更新 |
| 聚合 | 伺服器彙整各端梯度／參數(如 FedAvg) |
| 挑戰 | 通訊成本、非獨立同分布、仍可能反推 |
聯邦學習讓資料不離開本地也能共同訓練模型,iPAS 隱私保護考點(中級科目二)。重點:各裝置或機構在本地訓練,只上傳模型更新(梯度或權重)到中央聚合,原始資料不外流。易混點:它降低資料集中外洩風險,但上傳的梯度仍可能洩漏資訊,常再搭配差分隱私或加密;與一般集中式訓練不同。情境:手機輸入法、跨醫院模型、金融跨機構合作。
想練情境題與詳解 → AI 學習與考證地圖
一種分散式訓練：資料留在各裝置或機構本地，只把模型更新(梯度或參數)上傳彙整成全域模型，原始資料不集中、不外流。
隱私與法規限制下無法集中資料時(如醫院、手機)，仍能合作訓練出更好的模型，兼顧隱私與效用。
中央伺服器送出模型，各端用本地資料訓練、只回傳更新，伺服器聚合(如 FedAvg 平均)再反覆迭代，資料始終留在本地。
各端資料非獨立同分布(non-IID)、通訊成本、裝置異質與不穩，且更新本身仍可能洩漏資訊(需搭配差分隱私或加密)。
不一定；上傳的梯度可能被反推部分資訊，常需再加差分隱私、安全聚合(secure aggregation)等強化。