한 라운드의 흐름
서버가 현재 모형을 선택한 참여자들에게 보낸다. 각 참여자는 자신의 자료로 여러 지역 학습 단계를 수행하고 결과를 반환한다. 서버는 참여한 모형을 결합해 다음 라운드의 공통 모형을 만든다. 모든 장치가 매 라운드 참여해야 하는 것은 아니다.
표본 수 가중의 독립 예제
참여자 A의 표본이 30개이고 반환한 한 가중치가 2, B는 표본 70개와 가중치 6이라고 하자. 두 참여자를 표본 수로 가중하면 0.3×2+0.7×6=4.8이다. 단순 평균 4와 다르며 어떤 비율을 쓰는지는 학습 목적과 참여 집합에 맞아야 한다.
통신과 지역 계산
지역에서 여러 단계를 학습하면 매 기울기 계산마다 통신할 필요를 줄일 수 있다. 반면 참여자들의 데이터 분포가 다르면 각 모형이 서로 다른 방향으로 멀어질 수 있다. 지역 단계 수를 늘리는 것이 항상 수렴을 개선하지는 않는다.
개인정보와 평가
원시 데이터를 전송하지 않는 구성만으로 개별 자료의 비공개성이 자동 보장되지는 않는다. 모형 갱신도 정보를 드러낼 수 있다. 통신량과 정확도, 참여 편향 및 보호 장치를 구분해 평가하고 일부 참여자의 성능 저하도 확인한다.