傳統機器學習方法，需要把訓練資料集中於某一台機器或是單個資料中心裡。谷歌等公司還建設了規模龐大的雲計算基礎設施，來對資料進行處理。現在，為利用移動設備上的人機交互來訓練模型，谷歌發明了一個新名詞——Federated Learning。
穀歌表示，這會是機器學習的另一大方向。
那麼，什麼是 Federated Learning？
它意為“聯合學習”——
能使多台智慧手機能夠以協作的形式，學習共用的預測模型。
與此同時，所有的訓練資料保存在終端設備。這意味著在 Federated Learning 的方式下，把資料保存在雲端，不再是搞大規模機器學習的必要前提。
最重要的一點：Federated Learning 並不僅僅是在智慧手機上運行本地模型做預測 （比如 Mobile Vision API 和 On-Device Smart Reply），而更進一步，
讓移動設備能夠協同進行模型訓練。
工作原理
Federated Learning 的工作方式如下：
智慧手機下載當前版本的模型
通過學習本地資料來改進模型
把對模型的改進，概括成一個比較小的專門更新
該更新被加密發送到雲端
與其他用戶的更新即時整合，作為對共用模型的改進
所有的訓練資料仍然在每名終端使用者的設備中，個人更新不會在雲端保存。
雷鋒網獲知，整個過程有三個關鍵環節：
根據使用者使用情況，每台手機在本地對模型進行個性化改進
形成一個整體的模型修改方案
應用於共用的模型
該過程會不斷迴圈。
穀歌表示，Federated Learning 的主要優點有：
更智慧的模型
低延遲
低功耗
保障用戶隱私
另外，在向共用模型提供更新之外；本地的改進模型可以即時使用，這能向用戶提供個性化的使用體驗。
穀歌輸入法
目前，谷歌正在穀歌輸入法 Gboard 上測試 Federated Learning。當 Gboard 顯示推薦搜索項，不論用戶是否最終點擊了推薦項，智慧手機會在本機存放區相關資訊。Federated Learning 會對設備歷史資料進行處理，然後對 Gboard 檢索推薦模型提出改進。
與推薦演算法很像，但模型更新先在本地發生，再到雲端整合。
技術挑戰與解決方案
穀歌表示，實現 Federated Learning 有許多演算法、技術上的挑戰，比方說：
在典型的機器學習系統中，超大型資料集會被平均分割到雲端的多個伺服器上，像隨機梯度下降（SGD）這樣的優化演算法便運行於其上。這類反復反覆運算的演算法，與訓練資料之間需要低延遲、高輸送量的連接。而在 Federated Learning 的情況下，資料以非常不平均的方式分佈在數百萬的移動設備上。相比之下，智慧手機的延遲更高、網路輸送量更低，並且僅可在保證用戶日常使用的前提下，斷斷續續地進行訓練。
為解決這些頻寬、延遲問題，谷歌開發出一套名為 Federated Averaging 的演算法。雷鋒網瞭解到，
相比原生的 Federated Learning 版本隨機梯度下降
，
該演算法對訓練深度神經網路的通訊要求，要低 10 到 100 倍。
谷歌的核心思路，是利用智慧移動設備的強大處理器來計算出更高品質的更新，而不僅僅是優化。做一個好模型，高品質的更新會意味著反覆運算次數的減少。因此，模型訓練能夠減少通訊需求。
由於上行速度一般比下行速度慢很多，谷歌還開發了一種比較新奇的方式，將上行通訊需求再次減少的 100 倍之多：使用隨機 rotation 和 quantization 來壓縮更新。雖然這些解決方案聚焦於訓練深度網路，穀歌還設計了一個針對高維稀疏 convex 模型的演算法，特別擅長點擊率預測等問題。
在數百萬不同的智慧手機上部署 Federated Learning，需要非常複雜的技術整合。設備本地的模型訓練，使用的是迷你版的 TensorFlow。非常細緻的 scheduling 系統，保證只有使用者手機閒置、插著電、有 Wi-Fi 時才訓練模型。所以在智慧手機的日常使用中，Federated Learning 並不會影響性能。
穀歌強調， Federated Learning 不會在用戶體驗上做任何妥協。保證了此前提，用戶手機才會加入 Federated Learning。
然後，該系統需要以安全、高效、可擴展、可容錯的方式對模型更新進行整合。
Federated learning 不需要在雲端存儲使用者資料。但為避免用戶隱私洩露，穀歌更進一步，開發了一個名為 Secure Aggregation、使用加密技術的協議。由於此草案，系統伺服器只能夠解碼至少 100 或 1000 名用戶參與的平均更新。在整合以前，用戶的個體更新不能被查看。
據雷鋒網瞭解，這是世界上第一個此類協定，對於深度網路層級的問題以及現實通訊瓶頸具有使用價值。穀歌表示，設計 Federated Averaging，是為了讓伺服器只需要整合後的更新，讓 Secure Aggregation 能夠派上用場。另外，該草案具有通用潛力，能夠應用於其他問題。穀歌正在加緊研發該協定產品級的應用執行。
小結
穀歌表示，Federated learning 的潛力十分巨大，現在只不過探索了它的皮毛。它無法用來處理所有的機器學習問題。對於許多其他模型，必需的訓練資料已經存在雲端 （比如訓練 Gmail 的垃圾郵件篩檢程式）。因此，穀歌表示會繼續探索基於雲計算的 ML，但同時“下定決心”不斷拓展 Federated Learning 的功能。目前，在穀歌輸入法的搜索推薦之外，穀歌希望根據手機輸入習慣改進語言模型；以及根據圖片流覽資料改進圖片排列。
對 Federated Learning 進行應用，需要機器學習開發者採用新的開發工具以及全新思路——從模型開發、訓練到模型評估。
via
googleblog