---
title: "聯邦平均算法（Federated Averaging）"
slug: federated-averaging
language: zh-TW
source: https://aiterms.tw/terms/federated-averaging
updated_at: 2026-07-04
tags: [聯邦學習, 模型訓練, 最佳化, source:arxiv]
ipas_term: false
---

# 聯邦平均算法（Federated Averaging）

聯邦平均算法透過對多個節點的本地模型參數進行加權平均，在不收集原始資料的情況下訓練全局模型。

## 完整說明

聯邦平均算法是一種分散式機器學習優化技術，用於在多個邊緣節點上協同訓練模型。它能夠在不共享原始資料的情況下，僅透過聚合本地參數來更新全局模型，常見應用包括智慧型手機輸入預測、醫療影像分析與金融風險評估。

## 常見問題

### 聯邦平均算法在網路連線不穩定的環境下還能運作嗎？

在網路連線不穩定的環境中，聯邦平均算法依然具備一定的運作能力與容錯機制。系統在每一輪通訊中通常只會隨機選擇一部分客戶端參與訓練，而不是要求所有設備同時在線。如果某個參與的客戶端在本地訓練期間網路中斷，無法在規定的時間內將模型參數上傳，伺服器會直接忽略該客戶端本次的更新，並利用其他成功上傳的參數進行全局聚合。這種設計有效避免了單點故障導致整個訓練過程停滯的問題。然而，如果大量設備長期處於斷線狀態，可能會導致整體訓練收斂速度變慢，或者模型無法充分學習全局特徵。實務上通常會設計非同步通訊機制來進一步適應這類環境。

### 如何解決各個終端設備運算能力差異懸殊的問題？

在實際應用中，參與聯邦學習的設備硬體規格差異極大，從高階伺服器到低階物聯網感測器都有可能。為了避免運算能力較弱的設備拖慢整體訓練進度，可以採用多種優化策略。首先，伺服器在分發模型時，可以根據客戶端的硬體狀態動態調整本地訓練的任務量，例如要求低階設備執行較少的訓練迭代次數。其次，可以引入子模型訓練機制，讓資源受限的設備只訓練神經網路的一部分，或者接收輕量化模型版本。此外，非同步的聚合方式允許伺服器在收集到部分較快設備的更新後即可推進訓練輪次，不需等待最慢的設備完成計算，大幅提升整體系統的執行效率。

### 如果有惡意節點故意上傳錯誤的模型參數會發生什麼事？

如果網路中存在惡意節點故意上傳偽造或被破壞的模型參數，這被稱為資料中毒或是模型中毒攻擊。在標準的架構下，由於伺服器會將所有收到的參數進行加權平均，惡意更新會直接污染全局模型，可能導致模型準確度大幅下降，甚至讓模型在面對特定輸入時產生攻擊者預期的錯誤輸出。為了防禦這類安全威脅，系統通常需要引入強健的聚合演算法。這些防禦機制會在聚合前對收集到的參數進行異常檢測，過濾掉與群體分佈差異過大的惡意更新，或者採用中位數聚合等不受極端值影響的統計方法，以確保即使部分節點異常，整體網路依然能產出可靠的模型。

---

來源：https://aiterms.tw/terms/federated-averaging
快查頁：https://aiterms.tw/terms/federated-averaging
最後更新：2026/07/04
深度解說：https://aiterms.tw/learning/what-is-federated-averaging