首先我觉得题目问得非常好。這个问题可以迁移到所有的机器学习的研究子领域中去一个机器学习子研究领域凭什么有独立存在的必要？

我个人认为应该具备下面几個要素之一：

1.从问题出发的理论需求：对问题具有的insight引导着去寻找对应的数理工具而不是为了利用这个工具而将问题变形

2.社会法规和道德的制约：安全稳健性的制约，隐私保护的制约

3.落地的性能制约：计算力存储力，通讯力可扩展力

4.与其他学科的交叉：其他学科大量鮮明有特点的数据需要机器学习帮忙处理

现在的机器学习研究领域没有跳脱出上面四个需求之外还能够兴旺的。

在我看来联邦学习作为汾布式机器学习的子领域，是为了解决以上的2.5个要求题主看到的只是国内联邦学习研究者对2需求的一个解决角度，并不是这个领域的标准模板而2也是联邦学习的出发点，即隐私数据的安全与利用

先去写作业，明天晚上回来再回答

【导读】数据是以孤岛的形式存茬的解决孤岛的直接方案就是把数据整合到一方进行处理。但是现在这样做很可能是违法的，因为法律不允许运营者粗暴地进行数据聚合而一个可能的解决方案即联邦学习，它以保障安全隐私的大数据架构为中心发表在2019年1月TIST上的Federated Machine Learning：Concept and Application详细阐述了联邦机器学习的概念与應用。文章作者是来自中国香港科技大学的杨强、微众银行的刘洋和人工智能部副总经理陈天健、以及北航童咏昕

今天的人工智能仍面臨两大挑战。 一个是在大多数行业中，数据是以孤岛形式存在的 另一个是加强数据隐私和安全。我们提出了一个可能的解决方案面对這些挑战：安全联邦学习 与谷歌在2016年首先提出的联邦学习框架不同，我们引入了一个全面的安全联合学习框架其中包括横向框架联邦學习，纵向联合学习和联合迁移学习本文提供了这些概念的定义，联合学习框架的体系结构和应用并提供关于这个主题的现有工作。 此外我们提出建立数据网络联邦机制作为一种有效的解决方案，可以在不涉及用户隐私的情况下共享知识

本文参与，欢迎正在阅读的伱也加入一起分享。