1.4 联邦学习的分类及适用范围

在实际应用中，孤岛数据往往具有不同的分布特点。据此，联邦学习可以分为三类：横向联邦学习、纵向联邦学习、联邦迁移学习。本节将简要介绍各类方案对应的特点，以便读者初步了解不同业务场景中的联邦学习方法，三类联邦学习的架构和具体理论知识可参见第6章（纵向联邦学习）、第7章（横向联邦学习）和第8章（联邦迁移学习）。

假设有处于同一个领域的两个小公司A和B，A公司和B公司都拥有各自的数据集D_A和D_B。D_A和D_B都以矩阵形式表示，两个矩阵的行数据代表用户样本数据，矩阵的列数据代表用户特征，其中还分别拥有标签。A公司和B公司在进行联合训练时，可能存在以下四种情况：

（1）在数据集中，用户特征部分重叠较多，但是用户样本部分重叠较少。

（2）在数据集中，用户特征部分重叠较少，但是用户样本部分重叠较多。

（3）在数据集中，用户特征部分和用户样本部分都重叠较少。

（4）在数据集中，用户特征部分和用户样本部分都重叠较多。