联邦学习是一个机器学习框架，它允许用户使用分布在不同位置的多个数据集来训练机器学习模型，同时防止数据泄露并遵守严格的数据隐私法规。
能够防止数据泄露！这也意味着联邦学习或许是解决数据敏感的重要途径。
联邦学习指多个客户端（如移动设备或整个组织）在一个中央服务器（如服务提供商）下协作式地训练模型的机器学习设置，该设置同时保证训练数据去中心化。联邦学习使用局部数据收集和最小化原则，降低传统中心化机器学习方法带来的一些系统性隐私风险和成本。
联邦学习这一术语由 McMahan 等人在 2016 年首次提出，但是在这一术语诞生之前，已经就存在了大量相关研究工作致力于数据隐私保护，例如20世纪80年代就已出现的计算加密数据的加密方法。
联邦学习最初只是强调移动和边缘设备应用，研究者并把这两种设置分别称作跨设备（cross-device）和cross-silo。基于这两种变体，这篇论文给联邦学习下了一个更加广泛的定义：
联邦学习是多个实体（客户端）协作解决机器学习问题的机器学习设置，它在一个中央服务器或服务提供商的协调下进行。每个客户端的原始数据存储在本地，无法交换或迁移，联邦学习利用局部更新（用于立即聚合 (immediate aggregation)）来实现学习目标。
近年来，联邦学习的话题在工业界和学术界都经历了爆炸性的增长。联邦学习在其他学科领域也逐渐扩大着影响力: 从机器学习到优化、信息论和统计到密码学、公平性和隐私。
数据隐私不是二元的，不同假设下的威胁模型，每一个模型都有其独特的挑战。
