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
系统架构上，多个本地设备（如手机、传感器、终端服务器）通过无线网络与云端中心服务器连接。服务器广播初始模型版本，各设备利用本地数据进行训练并生成更新，最后将更新上传回服务器进行聚合，生成新的全局模型再分发给各端。这是一个典型的'分发 - 训练 - 上传 - 聚合'闭环。
为什么需要无线联邦学习
对比传统机器学习
| 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 |
无线联邦学习的工作流程
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。
- 广播初始模型：中心服务器向所有参与设备下发当前的全局模型参数。
- 本地训练：每台设备使用自己的本地数据（如用户打字记录）对模型进行一轮或多轮训练。
- 上传模型更新：设备计算训练后的参数差异（梯度），仅将这些更新上传至服务器，原始数据不出设备。
- 联邦聚合：服务器收到所有更新后，采用聚合算法（如 FedAvg）计算出新模型。
- 更新全局模型：新模型再次分发给下一轮参与的设备，循环往复直到收敛。
这个过程是并行的，不需要等待所有设备同时完成，异步机制能有效应对网络波动。
关键技术挑战与解决方案
挑战 1：无线通信的不可靠性
无线网络环境复杂，就像快递员可能遇到堵车、信号不好等问题。信道衰落、干扰噪声、带宽限制都可能导致模型更新丢失或传输延迟，甚至设备移动导致连接中断。
解决方案：
- 压缩技术：减少传输量，降低丢包概率。
- 空中计算：利用电磁波叠加原理，直接在物理层叠加信号完成聚合。
- 异步更新：不等待所有设备，先到的先聚合，提升效率。
- 鲁棒聚合算法：引入容错机制，剔除异常更新，保证聚合质量。
