联邦学习的缺点有哪些？

联邦学习的缺点是这套协同训练机制在落地时的局限，包括新旧设备算力不齐导致训练进度不一、上传参数累计带来的通信开销、以及参数变化可能反推出用户偏好，改进手段有参数压缩、差分隐私与快慢设备调度算法，解决的是让使用者明确该机制的工程风险问题，并不解决各端数据偏差导致模型被误导的问题。

◆设备不齐：老手机跑得慢，新手机跑得快，训练进度不统一。就像乐队里有人练得快，有人拖后腿。

◆通信负担：上传参数比传数据省，但次数多了，流量还是有点吃不消。尤其在网络差的地方，可能卡壳。

◆安全小漏洞：虽然数据没传，但聪明人可能从参数里“猜”出点信息。比如，有人研究发现，参数变化可能泄露“用户爱拍猫还是狗”。这就像家教从你的笔记里猜出你爱弹摇滚。

◆模型质量：如果某些设备数据太少或太偏，传上去的“技巧”可能误导整体模型。

研究者们正在修补这些“bug”。比如，用压缩技术减少参数大小，或者加加密（像“差分隐私”）让参数更难破解。他们还设计“调度算法”，让快慢设备配合得更好。

明：本文来自网络，版权归作者所有。文章内容仅代表作者独立观点，不代表数字化转型网立场，转载目的在于传递更多信息。如有侵权，请联系我们。