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
不一定,差異常來自資料分布和通訊條件,不是架構本身。
有可能,所以常需要再加保護。
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。
不只,很多學習型任務都能改成聯邦式流程。
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
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