用途：该技能用于实现符合 GDPR 的联邦学习架构模式，让模型在多个数据持有方之间训练而不集中个人数据，从而支持数据最小化与设计即隐私原则。
主要能力：
- 架构模式：跨设备联邦学习（面向手机、平板、IoT 等海量终端）、跨孤岛联邦学习（医院、银行、子公司等 2 至 100 个机构）、纵向联邦学习（不同机构持有同一批人的不同特征，2 至 10 方）。
- 安全聚合协议：基于掩码的聚合（成对随机掩码在聚合时抵消）、同态加密聚合（在密文上求和）、可信执行环境聚合（Intel SGX、ARM TrustZone）。
- 差分隐私集成：本地差分隐私（参与者发送前加噪）与中心差分隐私（聚合器对聚合结果加噪），并给出 epsilon、delta、轮数、裁剪范数、噪声乘数等隐私预算管理参数。
- 合规评估：对照 GDPR 第 5 条、第 25 条、第 26 条、第 28 条分析数据最小化、目的限制、存储限制、完整性保密性、控制者/处理者角色、法律依据、国际传输与删除权。
- 实施考量：梯度压缩、联邦平均、梯度选择等通信效率技术，以及随机、可用性、贡献度等参与者选择策略及其隐私影响。
使用方式：资料未提供具体安装命令或调用步骤，仅说明该技能可与 ai-dpia、ai-training-lawfulness、ai-model-privacy-audit、ai-privacy-inference、ai-data-retention 等技能集成。
适用场景：需要在多机构或多终端间训练 AI 模型、同时降低数据集中化风险的隐私合规项目。
限制：联邦学习并非隐私万能方案，仍存在梯度泄漏、模型记忆、删除权难以落实、控制者角色复杂、法律依据与透明度要求等挑战；安全聚合与差分隐私可缓解但不能完全消除风险，训练后仍需隐私审计。