用途：为设计符合 GDPR 的联邦学习（FL）系统提供架构指导。FL 让多方在不共享原始数据的前提下协作训练模型，各方仅上传模型更新（梯度或参数），由中心聚合器汇总。资料称其支持 GDPR 第 5(1)(c) 条数据最小化、第 25(1) 条默认数据保护设计，并可减少第五章跨境传输需求。
主要能力：
- 架构类型。横向 FL：参与者特征空间相同、样本不同（如多家医院训练诊断模型）。纵向 FL：参与者样本相同、特征不同（如银行、保险、零售对同一批用户分别持有财务、理赔、购买特征）。
- 聚合策略。FedAvg：各参与方本地训练多个 epoch，服务器按样本量加权平均权重；资料给出本地 epoch 1-5、参与率 10-100%、学习率 0.01-0.1、通信轮次 50-500 的参考范围。FedProx：在本地目标中加入近端项 (μ/2)*||w-w_t||^2，适用于非 IID 数据，资料建议轻度非 IID 用 μ=0.01，严重非 IID 用 μ=0.1 并提高参与率。
- 隐私机制。安全聚合（成对掩码、阈值秘密共享、同态加密）使服务器只能看到更新之和；差分隐私通过梯度裁剪与高斯噪声提供形式化保证，资料给出 DP-FedAvg 步骤及裁剪范数 C=1.0、噪声乘子 σ=1.1、ε=3、δ=1e-5、Rényi DP 组合的示例参数。
- 威胁与缓解。梯度反演、成员推断、模型反演、搭便车、投毒攻击，对应安全聚合、差分隐私、贡献验证、拜占庭鲁棒聚合（Krum、截尾均值）等。
- 通信效率。梯度量化、Top-k 稀疏化、联邦 dropout、SignSGD、模型蒸馏等压缩技术。
使用方式：资料给出实施流程——定义 ML 任务、评估数据分布、选择隐私机制、配置通信、实现本地训练、部署聚合服务器、监控与评估。
适用场景：医疗、金融等跨机构联合建模，尤其是涉及个人数据且需满足 GDPR 的场景。
限制：资料未提供具体代码、安装命令、平台或收费信息；示例参数仅为特定部署的参考值，实际需按场景调整。