Federated Learning是一种训练数据去中心化的机器学习解决方案，最早于2016年由谷歌公司提出，目的在于通过对保存在大量终端的分布式数据开展训练学习一个高质量中心化的机器学习模型，解决数据孤岛的问题。

在符合条件的用户集合中挑选出部分用户，分别从服务器端下载当前的模型；
1 被选择的用户用各自的数据训练模型；
2 各个用户将训练好的模型传输给服务器；
3 服务器将接收到的各个用户的模型聚合成一个最终的模型。

参与角色：用户（client）- 服务器（server）
用户的特点：
1 数据存在用户端，不同用户之间以及用户与服务器之间的数据不共享（最大的特点）
2 数量大
3 用户网络状态允许不稳定，可以随时被选择加入或退出训练
4 用户数据的不平衡性，有些用户训练数据量大，有些用户训练数据少
典型的用户：比如手机终端
服务器的特点：
通过迭代方式不断聚合来自不同用户训练好的模型，训练出一个最终的模型。

Federated Learning一般翻译成联邦学习