联邦学习（Federated Machine Learning）

       联邦机器学习（Federated Machine Learning），又称联邦学习，是一种分布式机器学习方法，通过加密参数交换实现多方联合建模，确保数据无需离开本地设备或机构即可完成训练，主要应用于金融服务、物流、边缘计算等领域 。

       该方法通过横向联邦学习、纵向联邦学习与联邦迁移学习三类框架解决数据孤岛问题：横向联邦学习通过特征对齐扩展样本总量，纵向联邦学习通过样本对齐增加特征维度。核心技术包括同态加密、秘密共享等隐私保护机制 。