人工智能联邦训练：收敛校正与安全聚合

把各端参数取平均，既不保证训练稳定，也不意味着更新内容已经保密。人工智能联邦训练能否运行，需要分别约束本地优化产生的偏移，以及参与端掉线后安全聚合协议的恢复边界。

客户端漂移出现在各端优化目标明显不同的时候。例如，不同工厂生产不同产品，本地缺陷类别和背景分布也不一致；各端从同一全局参数出发，连续执行多步更新后，会分别靠近自身损失较低的区域。此时上传的参数差值不再等同于全局目标上的一次同步梯度。简单平均可能相互抵消有用方向，也可能让参与频繁、数据较多的客户端主导更新，造成整体指标反复波动。

增加本地训练步数通常能够减少通信轮次，但在分布差异较大时，也会放大更新方向的分离。只降低学习率可以缓和某些不稳定现象，却未必消除系统性的方向偏差。以控制变量为基础的校正方法，会估计本地与全局更新方向的差异，并在本地梯度步骤中加入修正，使多步训练不至于完全沿各自目标漂移。它需要额外维护状态，其效果仍依赖状态估计和实际参与机制。

客户端并非每轮都在线，因此校正量还可能滞后。工程实现要记录状态对应的模型轮次，不能把长时间未参与端的旧修正量当作即时全局方向。比较方案时，应保持参与率、每轮本地步数与通信字节预算一致，并分别观察全局平均指标和不同客户端的表现。全局收敛并不保证每端都受益；若业务要求强烈的本地差异，继续追求单一共享模型可能需要重新论证。聚合权重还必须与声明的总体目标相符，按样本数加权和按客户端等权代表不同目标。设备经常离线又会改变实际被采样的总体，因此参与偏差应单独测量，不能假定优化校正已经自动修复所有端的代表性问题。

方向校正解决优化问题，安全聚合解决服务器能看到什么。常见方案由客户端给更新向量加上成对抵消的随机掩码，再上传被遮蔽的向量。当参与关系满足协议条件时，各端掩码在求和中相消，服务器得到总和，却不能直接读取单个更新。数据留在本地只改变原始数据的传输方式，不能据此推导参数更新没有隐私信息；单独可见的梯度仍可能暴露训练样本的特征。

掉线会打破掩码抵消，因此协议通常提前分发恢复所需的秘密份额，在确认参与集合后按规则恢复相应掩码。关键不是让服务器恢复所有秘密，而是只释放完成聚合必需的信息，并维持针对存活客户端的隐私边界。人工智能系统实现时必须明确掉线发生的阶段、最少存活数量与串谋假设；若在线数量低于协议阈值，就应终止该轮，不能绕过检查上传明文补齐。

安全聚合还限制了服务器逐个检查更新的能力，异常更新检测与隐私目标之间因而存在取舍。它也不自动提供差分隐私，聚合结果本身仍可能泄露群体信息；是否另加噪声，要依据明确的保护目标设计。性能验收应分别测量密钥协商、份额交换、向量上传和掉线恢复时间，防止把协议通信误算为模型训练。对低带宽终端，握手和恢复成本可能决定可接受的客户端规模。

联邦训练应把优化收敛与协议保密分别验收。先限定本地更新的偏移，再验证掉线条件下只恢复必要信息，才有依据确定训练轮次与参与规模。