联邦学习与隐私AI可视化实验室
从数据不动模型动到隐私保护——把 2026 年联邦学习如何在保护数据隐私前提下训练 AI 的核心机制以可交互 SVG 呈现。
01
联邦学习架构
FL 核心流程：中心服务器协调多客户端本地训练，聚合梯度/模型，全局更新下发。点击执行一轮联邦训练。
中心服务器
全局模型聚合
FedAvg 加权平均
客户端
本地数据训练
数据不出本地
通信
模型参数传输
梯度/权重上传
核心优势
隐私 + 合规
数据不动模型动
训练轮次
100+ rounds
典型联邦训练
客户端数
10 ~ 10,000+
跨机构到跨设备
通信效率
梯度压缩 + 稀疏化
减少带宽消耗
异步 vs 同步
Sync / Async
权衡一致性与效率
本地训练
E epochs / round
本地多轮迭代
聚合频率
每轮聚合一次
通信-计算权衡
客户端采样
部分客户端参与
C<
收敛保证
非凸优化
收敛到局部最优
02
聚合算法对比
FedAvg / FedProx / FedNova / Scaffold 四种聚合策略在收敛速度与稳定性上的对比。
FedAvg
数据量加权平均
最经典 FL 算法
FedProx
近端正则项
处理异构数据
FedNova
归一化平均
不同本地步数
Scaffold
控制变量法
方差 reduction 加速
收敛速度
Scaffold > FedAvg
控制变量加速收敛
稳定性
FedProx 最稳定
异构场景表现好
通信效率
FedNova 最优
步数归一化
适用场景
数据异构时 FedProx
快速收敛时 Scaffold
FedAvg 公式
w = Σ(nᵢ/n)·wᵢ
数据量加权
FedProx 项
μ/2·‖w-w₀‖²
近端约束
Scaffold CV
控制变量 c
校正梯度方向
FedNova
τᵢ 归一化
步数加权
03
差分隐私机制
DP 在 FL 中的应用：梯度裁剪 → 噪声添加 → (ε,δ) 预算管理。拖动滑块调整隐私预算 ε，观察隐私-效用权衡。
4.0
梯度裁剪
L2 范数限制
限制个体贡献
高斯噪声
N(0, σ²) 注入
σ = C/ε
隐私预算
(ε, δ)-DP
ε 越小越隐私
权衡
隐私 ↔ 效用
ε↓ → 噪声↑ → 精度↓
ε 选择
1 ~ 10 典型
ε<1 极强隐私
组合定理
串行组合
总ε = 各轮ε之和
RDP
Rényi DP
更紧的隐私预算
DP-SGD
差分隐私 SGD
Abadi et al.
裁剪阈值 C
限制 ‖g‖₂ ≤ C
限制个体影响
噪声量
σ = C·√(2ln(1/δ))/ε
高斯机制
隐私会计
Moments Accountant
精确预算跟踪
典型参数
δ=1e-5, ε=4-8
实用隐私参数
04
安全聚合协议
Secure Aggregation：客户端加密 → 掩码混淆 → 安全聚合 → 服务器解密。服务器只看到聚合结果，看不到单个梯度。
密钥协商
Diffie-Hellman
客户端间配对密钥
掩码混淆
随机掩码叠加
单个梯度不可见
聚合解密
掩码自动抵消
仅暴露聚合结果
掉线容错
秘密分享恢复
客户端掉线不中断
安全模型
半诚实服务器
服务器按协议执行但好奇
密码学
SMPC + 秘密分享
多方安全计算
通信开销
O(N²) 密钥对
客户端数平方增长
实际部署
Google Gboard
已大规模生产使用
协议轮次
3 轮通信
Setup→Mask→Unmask
阈值秘密分享
t-of-n 恢复
容忍t个掉线
同态加密
CKKS / Paillier
密文上计算
TEE 方案
SGX / TrustZone
可信执行环境
05
异构性挑战
FL 三大异构：数据异构(Non-IID)、设备异构(算力差异)、网络异构(通信延迟)。点击切换观察不同异构性的影响。
数据异构
Non-IID 分布
客户端数据分布不一致
设备异构
算力 / 存储差异
训练速度不均
网络异构
带宽 / 延迟差异
掉线 / 慢节点
Non-IID 类型
标签偏移 / 数量偏移
客户端分布不同
应对策略
FedProx / 个性化
正则化约束
设备选择
资源感知采样
优先选高算力节点
异步聚合
不等所有客户端
容忍慢节点
数据量异构
客户端数据量差异大
10x~100x 差异
概念漂移
分布随时间变化
持续适应挑战
通信压缩
梯度量化+稀疏
减少带宽需求
客户端选择
重要性采样
优先信息量大的
06
个性化联邦策略
从全局到个性化：全局模型 → 本地微调 → 元学习 → 聚类联邦 → 模型插值。点击切换策略。
全局模型
FedAvg 共享
所有客户端统一
本地微调
Fine-tune 适配
少量本地数据调整
元学习
MAML / Reptile
学习快速适配能力
聚类联邦
相似客户端分组
每组独立模型
模型插值
α·全局+(1-α)·本地
Ditto / APF
个性化程度
从低到高
权衡通用性与个性
效果提升
8-15% 精度
个性化 vs 全局
通信成本
聚类 > 微调
分组增加通信
知识蒸馏
全局→本地蒸馏
减少模型偏差
分层FL
边缘→云端分层
多级聚合架构
迁移学习
全局预训练+本地
经典迁移范式
效果评估
个性化>全局 8-15%
Non-IID 越严重越明显
07
FL 应用场景
联邦学习在跨领域应用：医疗(跨医院)、金融(反欺诈)、键盘(输入预测)、自动驾驶(车端)、IoT(智能家居)、移动端(个性化)。点击切换场景。
医疗
跨医院联合训练
数据极敏感，合规要求高
金融
跨行反欺诈模型
交易数据不可共享
输入法
端侧个性化预测
Gboard 已大规模部署
自动驾驶
车端模型联邦
路况数据不上云
IoT
智能家居联邦
家庭数据不出本地
移动端
个性化推荐
用户行为数据不离端
合规驱动
GDPR / 数据安全法
法规推动 FL 落地
市场规模
$200M+ (2026)
快速增长中
医疗联合
NVIDIA Clara FL
跨医院影像诊断
金融风控
欺诈检测联邦
跨行联合反欺诈
边缘 AI
车端联邦训练
自动驾驶数据
智慧城市
交通流量联邦
跨区域联合优化
08
FL 框架对比
Flower / TFF / FedML / PySyft / OpenFL 五大联邦学习框架在易用性、扩展性、隐私保护等多维度对比。点击切换框架。
Flower
易用性强
框架无关，社区活跃
TFF
TensorFlow 原生
Google 出品
PySyft
隐私计算强
支持 SMPC + HE
OpenFL
企业级
Intel 出品
框架选型
Flower 最通用
框架无关易上手
隐私增强
PySyft 最强
SMPC + HE 集成
研究场景
FedML 最灵活
支持多种 FL 模式
生产部署
OpenFL / Flower
企业级稳定性
Flower 生态
100+ 策略
策略市场丰富
TFF 特点
TF 原生集成
与 Keras 无缝
FedML 特点
研究+生产
跨设备+跨机构
PySyft 特点
隐私计算全栈
SMPC+HE+DP