联邦学习（Federated Learning）是一种分布式机器学习范式，允许多个参与方（客户端）在不上传原始数据的前提下，通过交换模型参数或梯度等中间结果协同训练全局模型，从而保护数据隐私并打破数据孤岛。核心要素包括：参与方（参与训练的本地节点或机构）、中心服务器（负责模型聚合与调度）、本地数据（各参与方私有的训练数据）、全局模型（经聚合后生成的共享模型）、通信轮次（参数同步迭代的次数）、聚合算法（如FedAvg等用于整合本地模型的策略）。
