联邦学习：最新进展与应用的前沿综述

通过利用海量数据并将计算任务分布到众多设备或服务器上，可以开发出鲁棒的机器学习（ML）模型。联邦学习（FL）是 ML 领域中的一种技术，它利用云基础设施实现去中心化设备网络间的协作模型训练，从而促成这一目标。除分布计算负载外，FL 同时致力于解决隐私问题并降低通信成本。为保护用户隐私，FL 要求用户发送模型更新而非传输大量原始且可能保密的数据。具体而言，各参与方使用自身数据在本地训练 ML 模型，然后以权重和梯度的形式将结果上传至云端，聚合成全局模型。该策略在带宽有限或通信成本高的环境中同样有利，因为它避免了大量数据的传输。随着数据量增长与隐私担忧加剧，以及大语言模型（LLM）等大规模 ML 模型的出现，FL 成为一种适时且相关的解决方案。因此，审视当前 FL 算法以指导满足快速演进 ML 需求的未来研究至关重要。本综述对最新 FL 算法进行了全面分析与比较，从数学框架、隐私保护、资源分配和应用等多方面进行评估。除总结现有 FL 方法外，本综述基于近期研究的性能报告与所用算法，指出了潜在空白、开放领域和未来挑战。本综述使研究者能轻易识别 FL 领域的现有局限，以供进一步探索。