，，。
การเรียนรู้แบบสหพันธ์คือกรอบการเรียนรู้ของเครื่องแบบกระจาย ผู้เข้าร่วมแต่ละฝ่ายฝึกโมเดลบนข้อมูลในเครื่องของตนเอง แล้วอัปโหลดเฉพาะการอัปเดตค่าเกรเดียนต์ไปยังเซิร์ฟเวอร์กลาง ไม่ใช่ข้อมูลดิบ
（），。
อัลกอริทึม Federated Averaging (FedAvg) รวบรวมโมเดลทั่วโลกโดยการถัวเฉลี่ยพารามิเตอร์โมเดลท้องถิ่นของผู้เข้าร่วมแต่ละฝ่ายแบบถ่วงน้ำหนัก และเป็นอัลกอริทึมการรวบรวมที่คลาสสิกที่สุดในการเรียนรู้แบบสหพันธ์
（-）：，。
ความหลากหลายของข้อมูล (Non-IID) คือความท้าทายหลักของการเรียนรู้แบบสหพันธ์ เนื่องจากการกระจายข้อมูลในเครื่องของลูกค้าแต่ละรายแตกต่างกันอย่างมีนัยสำคัญ ซึ่งอาจทำให้โมเดลทั่วโลกลู่เข้าช้าหรือประสิทธิภาพลดลง
（ ），，。
ความเป็นส่วนตัวเชิงอนุพันธ์ (Differential Privacy) ให้การรับประกันความเป็นส่วนตัวอย่างเป็นทางการสำหรับการเรียนรู้แบบสหพันธ์ โดยการฉีดสัญญาณรบกวนที่ปรับเทียบลงในค่าเกรเดียนต์ เพื่อป้องกันการโจมตีเชิงอนุมานสมาชิก
，。
โปรโตคอลการรวบรวมที่ปลอดภัยใช้วิธีการเข้ารหัสเพื่อให้แน่ใจว่าเซิร์ฟเวอร์ได้รับเฉพาะค่าเกรเดียนต์ที่รวบรวมแล้ว ไม่สามารถถอดรหัสการมีส่วนร่วมของลูกค้าแต่ละรายได้
、。
การเรียนรู้แบบสหพันธ์ได้นำไปใช้งานจริงแล้วในสถานการณ์ที่ต้องการความเป็นส่วนตัวของข้อมูลสูงมาก เช่น การทำนายการพิมพ์บนแป้นพิมพ์มือถือ การวิเคราะห์ภาพทางการแพทย์ และการควบคุมความเสี่ยงทางการเงิน