一句话说清楚
联邦学习解决「数据不能集中」场景下的协同建模：各参与方（医院/银行/手机终端）在本地数据上训练，把模型参数或梯度上传聚合，聚合后的全局模型下发再训练，循环多轮。原始数据始终留在本地，这是它的核心卖点，也是隐私法规下数据协作的合规路径。
这对你选工具意味着什么
适用前提是「数据敏感 + 有协作动机」：医疗联合建模/金融反欺诈/手机输入法个性化是典型场景；数据可以合法集中、或参与方利益不一致时，联邦学习的复杂度不划算。
常见误区
「不交换原始数据 = 完全隐私」是误解——梯度反推攻击可从参数中还原部分训练样本；严肃场景要叠加差分隐私或安全聚合，隐私预算和模型效果要一起权衡。
