联邦学习（Federated Learning）是由谷歌公司（Google, Inc）的研究人员提出的一种机器学习技术 。该概念及其核心算法正式发表于 2017 年国际人工智能与统计会议（AISTATS 2017），相关论文 Communication-Efficient Learning of Deep Networks from Decentralized Data。

联邦学习是一种保护隐私的分布式机器学习方法，其核心原理是让原始训练数据始终保留在本地设备上，绝不上传至中央服务器，而是仅通过汇总基于本地计算得出的模型更新参数来协同训练共享的全局模型，从而大幅降低了隐私泄露和安全风险。为了实现这一目标，研究团队提出了 FederatedAveraging（FedAvg）算法 ；实验证明，该算法不仅能稳定处理移动设备上特有的不平衡及非独立同分布（non-IID）数据 ，还能将训练深度网络所需的通信轮数大幅减少 10 到 100 倍，极大地克服了现实应用中的通信成本限制 。