联邦隐私（federated privacy）
/ FED-uh-ray-tid PRY-vuh-see /
联邦隐私，通常通过「联邦学习」来实现，它把训练模型的常规配方整个翻转过来。它不再把每个人的原始数据都拉到一个中央大堆里、在那里学习，而是把模型派到数据本就所在之处——你的手机、某家医院自己的服务器——让它在本地学习，再只把「学到的东西」（一些小小的数学更新）带回来，原始数据始终不动。想象一位厨师，想从一百个家庭厨房里取经，却从不踏进任何一间：每家各自在自己的厨房里做菜，寄回来的只是他们对菜谱的微调。
从机制上看：一台中央服务器把当前的模型发给成千上万台设备；每台设备用自己的私有例子把模型改进一点点；设备只把它们的参数更新传回来；服务器把这些更新平均成一个更好的共享模型，然后循环往复。你的照片、消息或病历，自始至终不离开你的设备。这正是为什么手机能学会预测你的下一个词，也是为什么那些依法不能共享患者档案的医院，仍可以联合训练出一个诊断模型。
它为何重要：联邦学习把原始数据留在本地，从而绕开了一整类数据泄露，也让本来在法律上无法合作的机构得以协作。但是——这是许多宣传一笔带过、却必须诚实说清的要害——「联邦」并不自动等于「隐私」。模型更新本身就可能泄露出产生它们的那些数据的信息；研究者已经证明，有时仅凭这些更新就能反推出训练样本。所以现实中的系统会把联邦与差分隐私、加密聚合等其他防护手段结合起来。把数据留在设备上，是一个有力的开端，却不是一份完成了的保证。
你手机的键盘发现你经常打出一个它原本不认识的俚语词。某个夜里，趁充电时，它根据你的打字算出一个微小的模型更新，只上传这个更新——而非你的消息。数百万台手机都做着同样的事，于是那个共享的键盘模型悄悄变得更好，与此同时，没有任何一条消息离开过任何一台手机。
「学到的东西」上路了，原始数据却留在家中。（但那「学到的东西」本身仍可能泄露——故需额外的防护。）
常见的夸大：「联邦＝隐私」。单凭它自己，并不成立。它的要点是数据留在本地，但上传的更新仍可能把数据泄露出去；而一个心怀恶意或被攻陷的中央服务器，更有许多可乘之机。联邦降低了暴露面，却不会在没有额外技术的情况下将其消除。