联邦学习（Federated Learning，FL）是一种分布式的机器学习范式，其核心思想是“数据不动模型动”。简单来说，就是让多个参与方在不共享原始数据的情况下，协作训练一个共享的机器学习模型。在传统的机器学习中，所有数据需要集中到一个中心服务器上进行训练。但在很多实际场景中，数据因为隐私、安全、法律或商业竞争等原因无法集中，比如不同医院的病例数据、不同银行的交易记录。联邦学习就是为了解决这个问题而诞生的。

联邦学习的基本工作流程 

联邦学习通常遵循一个迭代的、协调的过程，主要包括以下几个步骤：

初始化：中央服务器创建一个初始的机器学习模型（通常是深度学习模型），并将其分发给所有参与的客户端（比如不同机构或设备）。

本地训练：每个客户端使用自己的本地数据对接收到的模型进行训练。在这个过程中，原始数据始终保留在本地，不会离开客户端。训练的结果不是一个新的模型，而是模型参数的更新信息，比如神经网络的权重梯度。

安全聚合：客户端将训练产生的模型参数更新信息（而非原始数据）发送回中央服务器。为了进一步增强隐私保护，这些更新在传输前通常会经过加密或扰动处理，例如使用同态加密或差分隐私技术。

全局更新：中央服务器接收到所有客户端的更新后，使用一种称为联邦平均的算法将这些更新聚合起来，用以改进和更新全局模型。

迭代：服务器将更新后的全局模型再次分发给客户端，开始新一轮的本地训练。这个过程会重复多次，直到模型达到理想的性能。

联邦学习的核心价值：为什么它很重要？ 

联邦学习的价值在于它巧妙地解决了“数据孤岛”和“数据隐私”之间的矛盾：

数据隐私保护：原始数据从未离开过本地，从根本上降低了数据泄露的风险，符合日益严格的数据保护法规（如中国的《个人信息保护法》、欧洲的GDPR）。

打破数据孤岛：允许拥有数据的各方在不直接共享数据的前提下，共同从彼此的数据中获益，从而训练出更强大、更具泛化能力的模型。

减少通信成本：相比传输整个数据集，只传输模型参数更新（通常很小）极大地节省了网络带宽和传输时间。

联邦学习的常见分类 

根据参与方数据特征的分布情况，联邦学习可以分为三类：

横向联邦学习：参与方的数据特征重叠多，但用户群体重叠少。比如两家不同地区的银行，它们的客户群不同，但业务特征（存款、贷款等）相似。这是最常见的场景。

纵向联邦学习：参与方的用户群体重叠多，但数据特征重叠少。比如一家银行和一家电商，它们有共同的客户，但银行有客户的金融数据，电商有客户的消费数据。通过纵向联邦学习，双方可以联合训练一个模型，比如信用评估模型。

联邦迁移学习：参与方的数据和用户群体重叠都很少。这适用于最复杂的场景，比如一家医院和一家保险公司，它们的数据和客户几乎没有交集，但仍可以通过迁移学习技术共同训练一个模型。

联邦学习的局限与挑战

尽管前景广阔，联邦学习在实际应用中仍面临一些挑战：

通信开销：虽然比传输原始数据小，但多轮迭代中的模型参数传输仍然会产生不小的通信成本，尤其是在客户端数量庞大或网络条件不佳时。

系统异构性：不同客户端的硬件（计算能力、内存）、网络状况（带宽、延迟）和数据分布可能存在巨大差异，这会严重影响训练的效率和稳定性。

统计异构性：各个客户端的数据分布通常是“非独立同分布”的，比如有的客户端全是猫的图片，有的全是狗的图片。这会导致本地模型偏离全局最优，增加聚合的难度。

安全风险：虽然原始数据不出本地，但攻击者仍可能通过分析模型参数的更新信息来推断某些训练数据，这被称为梯度泄露攻击。因此，联邦学习通常需要与差分隐私、同态加密等技术结合使用来抵御此类攻击。

总结联邦学习是一种兼顾数据隐私与模型效能的分布式机器学习方法。它通过“数据不动模型动”的方式，让多方能够在不共享原始数据的前提下共同训练模型。在“总对总”数据跨境服务设施中，联邦学习主要用于AI模型的全球化联合训练，让各国的训练数据无需出境，只交换加密的模型梯度更新，从而实现“数据可用不可见”的价值。但它并非万能，需要根据具体场景与其他隐私计算技术（如多方安全计算、可信执行环境）组合使用，以应对其固有的通信、异构和安全挑战。

联邦学习在跨境场景的应用 

联邦学习在跨境场景的核心价值，是把“数据出境”变成“模型出境”。下面用三个具体例子说明它在贸易金融、AI模型协作和反洗钱领域是怎么实际运作的。

一、跨境授信模型联合训练：中国信保的“23项指标”案例

这是“总对总”设施中最典型的联邦学习应用。传统模式下，一家企业想在境外获得授信，需要把境内税务、海关、供应链等敏感数据打包提供给境外银行或信保机构。而联邦学习改变了这个过程。

具体流程是：中国信保联合境内多家机构，构建一个覆盖23项指标的授信评估模型。 境内企业的税务发票数据、贸易报关数据、银行流水数据，全部留在上海的本地节点，不离开数据域。境外合作机构只提供模型结构和部分标签数据（例如历史违约记录），通过联邦学习协议在各自本地训练模型。 训练过程中，各方只交换加密后的模型梯度更新，而不是原始数据。中央聚合服务器把这些更新合并，生成一个全局授信模型。最终结果是为企业输出一个授信评估结论，而不是输出任何原始数据。

这个案例的实际效果，是驱动释放了约1100亿元的授信额度。企业不需要把底账交给境外机构，境外机构也不接触原始单证，但模型能力远强于单方自建。

二、跨国AI大模型联合训练：多语言客服模型

这是一个相对前沿但已经进入工程验证的场景。假设一家跨国企业想训练一个能覆盖中、英、日、德四种语言的客服大模型。

传统做法是：把各国客服对话数据集中到一个国家进行训练，但GDPR、个人信息保护法等法规会直接阻止数据出境。

联邦学习的做法是：

总部先把一个基础的“预训练模型”分发给位于上海、东京、法兰克福的三个本地节点。每个节点用本国的客服对话数据在本地继续训练模型，比如上海节点用中文语料，东京节点用日文语料。 各节点只把模型参数的更新量（gradients）经过同态加密后上传给总部。总部聚合这些更新，得到一个同时掌握多语言能力的全局模型，再下发给各节点。

整个过程中，任何一国的原始客服对话记录都不离开司法管辖范围。

这个场景中，联邦学习解决了一个根本矛盾：大模型训练需要海量多样化数据，但跨境合规又不允许直接汇聚原始数据。目前这个方向在“总对总”设施中已有布局，未来可能成为头部企业全球化部署AI的新常态。

三、跨境反洗钱监测：多家银行联合建模 

反洗钱是联邦学习在金融领域最成熟的跨境应用之一。不同国家和地区的银行各自掌握本行客户交易记录，但洗钱行为往往跨越多个司法管辖区。

具体应用方式：沪港两地多家银行组成一个联邦学习联盟。每家银行在本地的反洗钱系统上训练一个交易异常检测模型，输入是本地客户的历史交易流水和已知可疑账户标签。各方加密交换“可疑交易特征向量”的更新，而不是实际的交易记录。聚合后的全局模型能够识别出跨境的资金链路特征——例如一笔资金在上海银行开户、在香港银行接收，两行单独都看不出异常，但聚合模型能标记出这个通道。

这里最微妙的一点是：模型学到的是“模式”而不是“个体”。银行A不可能通过模型逆向出银行B的客户名单，但两家银行联合后的识别率会显著高于单独建模。在“总对总”设施中，这类联合建模结果会连同区块链存证一起输出，确保可审计。

四、一个需要注意的边界

联邦学习在跨境场景中并不是“万能胶水”。它的适用边界在于：

适用于需要“模型能力”而非“单次查询结果”的场景。像发票真伪核验这类一对一确定性校验，更适合MPC或TEE。 训练过程中的梯度更新仍存在被恶意攻击者反推原始数据的风险，因此通常需要叠加密态加密或差分隐私。 跨境联邦学习的通信开销较大，节点间同步频繁，对网络稳定性要求高。

所以在“总对总”设施的实际工程里，联邦学习通常不是单兵作战，而是与MPC、区块链组合使用——用联邦学习做联合建模，用MPC做交叉计算，用区块链做存证审计。这才是完整的“数据可用不可见”实现路径。