标准回答
联邦学习让数据留在设备本地、只上传模型更新做聚合。放到边缘场景，挑战集中在系统异构、数据分布与通信隐私三方面。
系统层面
边缘设备算力、内存、网络条件差异大（异构），且常掉线或参与不稳定（straggler）。同步聚合会被慢/掉线设备拖累，需异步或带容错的聚合、按可用性采样客户端。
数据层面
各设备数据是非 IID（分布、数量都不均），直接平均会导致收敛慢、全局模型对个体表现差。对策是个性化联邦学习（本地适配 + 全局共享）、以及更稳健的聚合算法。
通信与隐私
带宽受限使上传更新成为瓶颈，需梯度压缩、量化、稀疏化、降低通信轮次。隐私上虽不传原始数据，但更新仍可能被反推，故配合差分隐私、安全聚合等机制。
整体要在模型精度、通信成本、隐私强度与系统鲁棒性间做权衡。
常见误区
⚠️ 常见踩坑
以为「数据不出端就等于绝对隐私」——模型更新/梯度可能泄露信息，需差分隐私或安全聚合；以及在非 IID 下仍套用朴素 FedAvg，导致收敛差却归因于数据量不足。
追问
追问 1：非 IID 数据为什么会拖垮联邦训练？
各客户端在本地多步更新会朝各自分布的最优方向漂移（client drift），聚合后相互抵消，导致全局模型收敛慢、震荡甚至变差。缓解手段包括限制本地更新步数、加正则项约束本地与全局差异、用个性化或聚类联邦，让模型既共享共性又适配个体。
追问 2：联邦学习如何进一步保护隐私？
常用安全聚合（服务器只能看到聚合结果、看不到单个更新）与差分隐私（对更新加噪，限制单样本可被反推的程度）；必要时结合同态加密。代价是通信/计算开销上升或精度下降，需按隐私预算与业务要求折中。
延伸学习
与本题相关的知识库文章、术语、工具与行业资讯。