“联邦学习”（FederatedLearning）正是在这个背景下提出和发展起来的，它主要从技术维度出发，重点研究其中的隐私保护和数据安全问题。联邦学习曾多次以不同的形式出现过，例如，面向隐私保护的机器学习、面向隐私保护的深度学习、协作式机器学习、协作式深度学习、分布式机器学习、分布式深度学习、联邦优化和面向隐私保护的数据分析。联邦学习最初的定义是一种借助多方客户端的私有数据集来训练全局共享模型的分布式机器学习算法框架。从广义上来说，联邦学习指数据所有者不需要上传私有数据集即可结合多方数据来训练全局共享模型的方法，得到的模型的效果和直接整合数据到数据中心或一台机器上进行训练得到的模型的效果相近，同时也保护了数据的安全，避免泄露数据隐私。
