AITerms 登入
iPAS 中級 機器學習模型訓練AI應用

聯邦學習(Federated Learning)是什麼?

聯邦學習是一種多方協作的機器學習方法,各方在本地訓練模型,僅共享模型更新,保護原始資料

完整定義

聯邦學習是一種分散式的機器學習方法,用於在多個分散式裝置或伺服器上訓練模型,而無需直接共享原始數據。它能夠保護用戶隱私,同時利用大量分散數據進行模型訓練,提升模型泛化能力。在 iPAS 考試中,聯邦學習是機器學習領域的重要概念,考察其原理、應用場景以及隱私保護機制。

白話說明

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。

記住這句

資料留在原地,模型更新往外送,就是聯邦學習。

比喻:聯邦學習就像一群學生一起準備考試,但每個人都只在自己的家裡讀書(本地訓練模型)-- 他們不分享自己的筆記內容(原始資料),只分享「我今天學到了什麼重點」這種摘要(模型更新),然後大家再把這些重點整合起來。

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。

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。

演算法與應用

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

出現在這些考古題

官方公告試題的逐題解析裡,有 8 題把聯邦學習列為延伸術語,這裡列出 5 題。

立即測驗

想測試你對 聯邦學習 的掌握程度?用考古題作答

相關術語

本頁內容有提到,或屬於同一組主題的術語

來源

這個術語目前沒有標註外部來源。

考試範圍:iPAS AI 應用規劃師評鑑內容範圍參考(115.02 更新),經濟部產業人才能力鑑定,實際考試內容以官方公告為準。

其他格式:Markdown 版本