什麼是Federated Learning？

Federated learning (aka collaborative learning) is a machine learning technique that trains an algorithm across multiple decentralized edge devices or servers holding local data samples, without exchanging their data samples.

Federated Learning是一種機器學習的技術，可以通過去中心化的edge device來訓練一個演算法，或是只有servers擁有資料但是不進行交換

簡單的Federated Learning小漫畫（英文的），利用在裝置放入model去進行訓練，既可以保障使用者的隱私，又可以強化自己的服務，未來再比較容易出現隱私問題的裝置，諸如智慧汽車、智慧醫療，都有Federated Learning可以派上用場的地方。

目前NVIDIA EGX就有再做這樣的事情，最先進行使用的應該會是智慧製造的工廠，畢竟想對較小，可以管控，以工廠作為出發點去進行這相關的處理，應該是會比較容易;當然也可能從智慧醫院開始，因為病人的資料更具有隱私。

區塊鏈上的資料也可以做為分享資料，並且不擔心被中心機構把持資料，同時保護病人隱私的一項技術，而這兩項技術哪個會更為適合智慧醫療呢？

我覺得不是一個黑白分明的問題，應該會有一些器具利用Federate Learning去做會有更好的效果，但是當我們需要資料去訓練醫護人員，我們不能沒有資料的去做訓練，所以我想應該是需要並存的。

Q：有沒有可能利用再裝置上推算出來的模型去對使用者的資料去進行分析，並且獲得個資？

是有可能的，所以先是利用secure aggregation，讓Fderated learning的結果加密結合再一起，並且只能依照一整組使用者所創造出來的model去進行解鎖。

但是要是有非常非常獨特的資料，也是有可能會顯示再model裡面，所以要限制資料的contribution，同時也可能增加噪音，像是手機鍵盤選字中，你對你女朋友說的情話結果出現再其他人的智慧鍵盤推薦字詞中，這樣不是很慘，而這個方式就叫作differential privacy。