在聯邦學習(Federated Learning, FL)場景中，機器學習(Machine Learning)模型所有者能夠將他們的模型發送給資料持有者進行訓練。
從高階的角度來看，這個場景是相對安全的；然而，仍有許多安全漏洞及攻擊方式需要解決。

建議的解決方案是使用安全聚合器(Secure Aggregator)，通常是自動化程序或程序，作為中間件，聚合所有參與者的訓練模型，然後將更新發送給 ML 模型所有者。

IEEE 聯合學習國際標準(IEEE International Standard for Federated Learning)：

• 聯邦機器學習 (FedML, FL) 是一種伺服器機器學習方法，訓練資料保留在各自的所有者處，而不是集中儲存。
• 機器學習(ML)模型主要分散在資料持有者之間，資料持有者使用他們的私人資料對其進行訓練，然後將其發送回機器學習(ML)模型所有者。
• 機器學習(ML)訓練去中心化，允許擁有敏感資料的資料持有者(例如：金融機構)訓練有用的 ML 算法來預測信用風險。

聯邦學習(FL)最早是谷歌在 2016 年推出的機器學習(ML)方法：使用案例(Use Cases) - Gboard

Gboard 是Google提供的移動設備上的虛擬鍵盤，提供多種輸入法，並於輸入中顯示建議的輸入查詢。

1. 設備被賦予一個通常只有幾兆字節(MegaByte)大小的訓練模型。
2. 資料在用戶設備上進行訓練。
3. 設備將參數的加密更新發送(WiFi)到服務器。
4. 服務器對設備進行分組 對於每個分組，服務器匯總它從該組設備接收到的更新，以對當前模型執行一次更新。
5. 經過多輪訓練，新的更新模型被發送到設備上進行測試，可有效減少延遲。