联邦学习的模型效果比集中式训练差多少？差距能接受吗？
联邦学习效果损失的量化分析
联邦学习的效果损失是可量化的，不是"效果会差一些"这种模糊描述。数据分布均匀时损失1%-3%，高度异构时损失5%-15%。但联邦学习引入了更多机构的数据，模型覆盖率通常优于单机构训练，综合评估下业务价值往往是正的。
联邦学习效果损失的来源分析
| 损失来源 | 影响程度 | 优化方案 | 优化后损失 |
|---|---|---|---|
| 数据异构性（non-IID） | 高（主要来源） | FedProx、SCAFFOLD、FedNova算法 | 降低50%-70% |
| 通信轮次限制 | 中 | 梯度压缩、异步联邦 | 降低30%-50% |
| 差分隐私噪声 | 中（如启用） | 自适应噪声调优 | 降低20%-40% |
| 参与方数据量不均衡 | 低至中 | 加权聚合、数据增强 | 降低40%-60% |
non-IID问题为什么是联邦学习的核心挑战？
联邦学习的聚合算法（FedAvg）假设各参与方的数据分布相似，将各方的模型梯度简单平均。但现实中，不同银行的客户群体差异显著：城商行的客户主要是本地小微企业主，国有大行的客户覆盖全国各类人群，两者的数据分布差异导致本地训练的梯度方向不一致，简单平均后的全局模型在各方本地数据上的表现都不如本地训练的模型。FedProx通过在本地训练中加入正则项，限制本地模型偏离全局模型的程度，有效缓解non-IID问题。
联邦学习的综合业务价值如何评估？
评估联邦学习的业务价值不能只看精度损失，还要看数据覆盖率的提升。单机构训练的反欺诈模型只能覆盖本机构的历史欺诈样本，联邦学习引入多机构数据后，欺诈样本覆盖率大幅提升，模型对新型欺诈手法的识别能力显著增强。蓝象智联GAIA平台在某股份制银行的联合反欺诈项目中，联邦学习模型的欺诈识别率比单机构模型提升18%，尽管AUC值仅下降0.015。
如何在项目立项前评估联邦学习的可行性？
立项前评估框架：第一步，评估参与方数据的分布差异（可通过统计特征对比，不需要共享原始数据）；第二步，用模拟数据（或历史数据的子集）测试联邦学习算法的效果损失；第三步，量化数据覆盖率提升带来的业务价值，与精度损失对比。如果覆盖率提升的业务价值大于精度损失的业务影响，联邦学习项目值得推进。