无线联邦学习：在保护隐私的无线网络中，让 AI 协同进化
什么是无线联邦学习？
想象这样一个场景：全国各地的医院都想联合训练一个 AI 模型来诊断疾病，但患者的医疗数据极其敏感，不能离开医院。传统方法是把所有数据集中到一个中心服务器，但这会造成隐私泄露风险。怎么办？
无线联邦学习就像一位'知识快递员'——它不收集原始数据，而是让各地的医院在本地训练模型，然后只把模型'更新心得'（梯度或参数）通过无线网络传给中心服务器，由服务器汇总大家的智慧，形成一个更强大的模型。
核心思想
- 数据不动模型动：原始数据永远留在本地设备
- 仅上传模型更新：只传输学习到的参数，而非数据本身
- 无线传输媒介：通过 Wi-Fi、5G 等无线网络进行通信
在这个架构中，云端中心服务器负责广播初始模型并收集更新，而各个本地设备（如手机、传感器、医疗设备）则利用本地数据进行训练。流程大致如下：
- 服务器广播初始全局模型版本。
- 本地设备接收模型，使用本地数据训练。
- 设备将训练后的模型更新（梯度）上传回服务器。
- 服务器聚合所有更新，生成新的全局模型。
- 重复上述过程，直到模型收敛。
为什么需要无线联邦学习？
与传统机器学习相比，无线联邦学习在隐私和效率上有着显著优势。
| 特性 | 传统中心化学习 | 无线联邦学习 |
|---|---|---|
| 数据位置 | 集中存储在云端 | 分布在本地设备 |
| 隐私保护 | 低（原始数据上传） | 高（数据不离本地） |
| 通信开销 | 高（上传原始数据） | 低（仅上传模型参数） |
| 实时性 | 依赖数据上传速度 | 可实时本地更新 |
| 扩展性 | 受限于中心带宽 | 高（可利用大量边缘设备） |
| 适用场景 | 数据可集中场景 | 隐私敏感、数据分散场景 |
工作流程详解
让我们通过一个具体场景来理解：假设我们要训练一个键盘输入预测模型，参与方是数百万用户的手机。
- 第 1 轮训练开始：中心服务器广播初始模型参数给所有用户手机。
- 本地训练：用户使用自己的键盘数据对模型进行微调。
- 上传模型更新：手机将计算出的梯度或参数差异上传至无线网络。
- 联邦聚合：服务器使用算法（如 FedAvg）汇集所有更新。
- 下一轮训练开始：服务器分发更新后的全局模型，循环往复。
