Federated Learning 为多个远程参与方提供了工具，用于在不共享数据的情况下协作训练单个机器学习模型。 每个参与方都使用专用数据集来训练本地模型。 只有本地模型才会发送到聚集器，以提高惠及各方的全局模型的质量。
需要服务'
watsonx.aiRuntime。 您必须在Cloud Pak for Data as a Service中安装watsonx.aiRuntime 服务实例，才能使用联合学习。 Federated Learning 可在安装watsonx.aiRuntime 时使用。
数据格式'
任何数据格式，包括但不限于 CSV 文件、JSON 文件和PostgreSQL 数据库。
所需证书
任务证书
Federated Learning 如何工作
观看此概述视频以了解 Federated Learning 试验的基本概念和元素。 了解如何将工具应用于公司的分析增强功能。
此视频提供了一种可视方法来学习本文档中的概念和任务。
使用 Federated Learning 的一个示例是，航空联盟希望模拟全球流行病对航空公司延迟的影响。 联合中的每个参与方都可以使用其数据来训练公共模型，而无需移动或共享其数据。 他们可以在应用程序孤岛中执行此操作，也可以在监管或实际考虑阻止用户共享数据的任何其他场景中执行此操作。 通过改进业务洞察力，同时降低数据迁移和隐私问题带来的风险，由此产生的模型将使联盟的每个成员受益。
如下图所示，各方可以在不同平台上进行地理分布和运行。 一名成员可能在北美使用关系数据库在物理服务器上工作，另一名成员可能在欧洲使用虚拟机和Cloud Object Storage工作，最后一名成员可能在澳大利亚使用笔记本电脑和 CSV 文件工作。
为何使用 IBM Federated Learning
IBM Federated Learning 在许多企业行业中具有广泛的应用程序。 联合学习:
- 支持在企业规模上收集，清理和训练具有大量数据的站点，而无需迁移。
- 适应数据格式，质量和约束方面的差异。
- 在训练具有不同数据源的模型时，符合数据隐私和安全性。
了解更多信息
父主题: 分析数据和构建模型