无线联邦学习概述
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。传统方法是将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
系统架构通常包含多个本地设备（如手机、IoT 节点）和一个云端中心服务器。流程上，服务器广播初始模型，设备接收后进行本地训练，再将更新后的参数上传回服务器，最后服务器聚合生成新模型并分发。这种闭环确保了数据始终停留在边缘侧。
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 |
工作流程解析
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：中心服务器将全局模型的初始参数分发给所有参与设备。
- 本地训练：各设备使用自己的本地数据对模型进行训练，计算梯度或参数更新。
- 上传模型更新：设备将计算好的更新量通过无线网络上传至服务器。
- 联邦聚合：服务器收到更新后，采用算法（如 FedAvg）进行聚合。
- 更新全局模型：生成新的全局模型版本，准备进入下一轮迭代。
这个过程循环往复，直到模型收敛。
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：
- 信号衰落与干扰：导致模型更新丢失或数据传输错误。
- 带宽限制：影响传输延迟。
- 设备移动：可能导致连接中断。
解决方案包括使用压缩技术减少传输量、利用空中计算叠加信号直接聚合、采用异步更新策略不等待所有设备，以及设计鲁棒聚合算法以增强容错机制。
挑战 2：统计异质性（Non-IID 数据）
不同设备的数据分布差异很大，例如：
