联邦机器学习（Federated Machine Learning），又称联邦学习，是一种分布式机器学习方法，通过加密参数交换实现多方联合建模，确保数据无需离开本地设备或机构即可完成训练，主要应用于金融服务、物流、边缘计算等领域 。
该方法通过横向联邦学习、纵向联邦学习与联邦迁移学习三类框架解决数据孤岛问题：横向联邦学习通过特征对齐扩展样本总量，纵向联邦学习通过样本对齐增加特征维度 。核心技术包括同态加密、秘密共享等隐私保护机制 。
该技术概念起源于2012年王爽团队提出的医疗在线安全联邦学习框架。2016年谷歌推动其在移动终端应用，2019年微众银行发布开源框架FATE。2020年李晓林提出知识联邦理论体系，2022年中国信息通信研究院发布相关研究报告，2025年中南数字创新实验室启动精准医学研究项目 。
想要了解更多“联邦机器学习”的信息，请点击：联邦机器学习百科
