在以往，機器學習方法需要將訓練數據集中在一台機器或是數據中心，但在現實情況下，可能遇到無法收集資料的狀況，像是個資或是企業資源的問題，而且資料的隱私權是一個在近年來受到更重視的問題，陸續推出了多個相關的法案。
例如歐盟在2016年通過了 ”一般資料保護規則” (General Data Protection Regulation, GDPR)，其目的是在加重企業「控管」及「處理」資料的責任，並強化個資當事人權益。簡單來說就是要蒐集個人相關資料時，都需要經過個人的授權，因此近期Facebook、Apple、Google等科技巨頭及其他多數的企業都受到了相當大的衝擊。
而對於機器學習，數據是一個相當重要的部分，假如沒有資料便沒有機器學習，以上的問題造成資料無法集中的情況
Federated Learning聯邦學習
2016年Google提出了Federated Learning聯邦學習，其是使用本地的資料在本地的設備上訓練出一個模型，之後將這些訓練完的模型合併為一個模型，再將這個模型分享給所有本地設備。這種方法能夠使手機以合作學習的方式共享預測模型，同時只將訓練數據保留於設備中，而不會取得個人相關的資料，避免觸碰個資法的問題。
而Federated Learning又可以分為橫向聯邦學習（horizontal federated learning）、縱向聯邦學習（vertical federated learning）、聯邦遷移學習（federated transfer learning）
橫向聯邦學習horizontal federated learning
橫向聯邦學習是用於A與B的數據集有些特徵重疊，但樣本不同，重點解決樣本缺的問題。例如不同地區的醫院，每家醫院皆會檢測肺結核，但檢測的病患不同。
其迭代步驟如下:
- 預先設定每個Local Device使用相同初始模型
- 每個Local Device使用本地資料訓練模型，計算梯度，加密後上傳至Server
- Server整合所有設備之梯度並更新模型
- 將更新完的模型回傳至Local Device，更新Local Device的模型
縱向聯邦學習vertical federated learning
縱向聯邦學習是用於A與B的數據集有些樣本重疊，但特徵不同，重點解決特徵缺的問題。例如醫院與藥局，會有相同的病人，但病人會有不同的行為。
由於是不同的企業，因此需要先確認是相同的人，而又受到隱私權問題，不能公開交換數據，因此需要利用安全認證確認彼此數據對應的關係。其操作方式如下:
- C創建加密對，將公鑰發送給A和B，用來對訓練過程中需要交換的數據進行加密
- A和B以加密的形式交換用於計算梯度的中間結果
- A和B分別基於加密的中間結果計算梯度和損失，向C發送加密的值，C匯總計算總梯度，並將其解密。
- C將解密的梯度和損失發送回A和B，A和B更新相應的模型參數。
聯邦遷移學習federated transfer learning
聯邦遷移學習是用於A與B的數據集樣本也不同，特徵也不同，這個形式適用於共同客群很小及兩方行為不太相同的狀況，整體交集都很少狀況，使用遷移學習讓A利用B的標籤來減少預測錯誤，用來克服資料與標籤不足的狀況。
總結
Federated Learning聯邦學習可以解決資料分散及隱私權的技術問題，但企業之間可能還是會有數據孤島的問題發生，這件事並非單單技術面問題，更多的是企業間是否可以互相合作，競爭及利益關係的交錯，以及加密方式的可靠性，但對於未來發展還是有相當大的幫助，可以促進產業交流，建立一個橫跨企業、領域，技術共享的生態圈。
