1. 横向联邦学习（Horizontal Federated Learning, HFL）

核心特征：

• 数据分布：各参与方的数据特征空间相同，样本ID不同（即特征重叠，样本不重叠）。
  例如：不同地区的银行拥有相同的用户特征（年龄、收入），但用户群体不同。

• 训练方式：各参与方训练相同的模型结构，服务器聚合模型参数（如FedAvg）。

适用场景：

• 跨机构同构数据：如多个手机厂商用各自用户的输入行为数据联合训练输入法模型。

• 边缘设备协作：智能手机、IoT设备等数据分散但特征一致的场景。

优点：

• 实现简单，可直接应用传统联邦平均（FedAvg）算法。

• 适合大规模分布式设备（如Google的Gboard输入法）。

使用频率：

• 最常用，尤其是C端场景（移动端、物联网）。

---

2. 纵向联邦学习（Vertical Federated Learning, VFL）

核心特征：

• 数据分布：各参与方的数据样本ID相同，特征空间不同（即样本重叠，特征不重叠）。
  例如：医院和保险公司拥有同一批患者，但医院有体检数据，保险公司有理赔记录。

• 训练方式：需先对齐样本（如PSI协议），再联合训练（如分割模型：部分层在各方本地，部分层协同计算）。

适用场景：

• 跨行业数据互补：如金融+电商联合反欺诈（电商提供行为数据，银行提供信用数据）。

• 隐私敏感领域：医疗、金融等需保护垂直特征数据的场景。

优点：

• 能利用多维度特征提升模型效果。

挑战：

• 样本对齐需加密计算（计算开销大）。

• 模型结构复杂（需设计分割网络）。

使用频率：

• 增长快，尤其在B端跨行业合作中（如微众银行的FATE框架支持VFL）。

---

3. 联邦迁移学习（Federated Transfer Learning, FTL）

核心特征：

• 数据分布：各参与方的数据样本ID和特征空间均不同（即样本和特征均不重叠）。
  例如：中文电商和英文社交平台的数据完全异构。

• 训练方式：通过迁移学习（如特征映射、域适应）在联邦框架下共享知识。

适用场景：

• 跨域异构数据：如不同语言、不同业务领域的机构协作（医疗影像+病理报告）。

• 小数据方辅助训练：数据量极少的参与方借助其他域数据提升模型。

优点：

• 解决数据完全异构的极端场景。

挑战：

• 需设计复杂的迁移机制（如对抗训练、共享隐空间）。

• 训练稳定性差，易受负迁移影响。

使用频率：

• 较少，仅在特定需求下使用（如跨国企业合作）。

  三 对比总结

  维度	横向联邦学习（HFL）	纵向联邦学习（VFL）	联邦迁移学习（FTL）
  数据重叠	特征重叠，样本不重叠	样本重叠，特征不重叠	样本和特征均不重叠
  典型场景	多手机厂商联合训练模型	医院+保险公司联合建模	跨国电商+社交平台合作
  技术难点	非IID数据优化	样本对齐、分割模型设计	跨域知识迁移
  使用频率	★★★★★（最常用）	★★★☆（B端增长快）	★★☆（小众场景）

  四、如何选择？

• 优先横向联邦学习：

  • 如果参与方的数据特征相似（如都是用户行为数据），且样本不同（如不同地区用户）。

  • 案例：Google联合数百万手机训练下一词预测模型。

• 选择纵向联邦学习：

  • 如果参与方拥有同一批实体的不同特征（如医院有体检数据，药企有用药记录）。

  • 案例：银行与电商平台联合反欺诈（电商提供购物行为，银行提供交易流水）。

• 考虑联邦迁移学习：

  • 仅在数据完全异构且必须协作时使用（如跨语言、跨模态数据）。

  • 案例：中文医疗文本模型迁移到英文临床数据。

    五、行业应用现状

  • 横向联邦学习占据主流（约70%应用），因其适合C端海量设备场景（手机、IoT）。

  • 纵向联邦学习在金融、医疗等B端领域快速普及（如微众银行FATE框架）。

  • 联邦迁移学习仍处于研究探索阶段，实际落地较少。

    六、未来趋势

  • 横向联邦：继续主导边缘计算场景（5G/6G时代更多终端设备参与）。

  • 纵向联邦：随着隐私计算技术（如MPC）成熟，将成为跨行业数据合作的核心方案。

  • 联邦迁移：需突破跨模态对齐技术（如文本→图像的联邦迁移）。

    七. 横向联邦学习的深挖方向——隐私-效率权衡

    7.1研究价值

  • （1）现实瓶颈：横向联邦虽成熟，但在隐私保护（DP/SMPC）与模型性能的平衡上仍有挑战。

  • （2）关键问题：

    • 如何降低差分隐私（DP）引入的噪声对模型精度的影响？

    • 如何设计轻量级加密协议（如部分同态加密）以减少计算开销？

    • 7.2推荐课题

    • 自适应差分隐私算法

      • 动态调整隐私预算（ε）分配，优先保护敏感层梯度。

    • 联邦学习的稀疏化训练

      • 通过梯度稀疏化（如Top-k选择）减少通信量，同时增强隐私。

      • 工具：PySyft中的稀疏梯度聚合模块。