第二种是联邦学习。它可以在不泄露明文数据的前提下，用多方的数据共同训练模型。这也是"围墙花园"的一种，广告主、平台共同构建一个数据"花园"。各方可以从外部登入数据系统，在投放广告时利用这些数据，但却不能够直接接触到这些数据。数据如同花园里的花，可观赏，发挥了它的功能，但不可接触、不可获得，品牌的数据持有方仍是广告主，数据不会离开广告主的花园（私域服务器）。
联合建模和联邦学习最大的差异在于运行环境，前者在巨量引擎的云环境，而后者在广告主所有的三方/私有云环境。这也给了广告主可进可退的两种选择。
和之前的方案相比，这两种方案更进一步解决了私密性不够的问题，广告主数据安全性有保障；而在巨量引擎的技术加持下，自动化建模得以实现，广告主操作简单；并且，根据数据开放程度，巨量引擎提供了多种方案供选择。最后还有一个细节是，这个技术系统支持批量上传，效率得到大幅提高。
针对不同行业的灵活落地策略
目前，这两种方案在对客户数据隐私保密性极高的行业，如金融、电商、网服、教育等，应用颇为有效。
联合建模案例
比如在一个电商客户案例中，广告主考核周期长，无法使用深度转化实时优化，巨量引擎改为对7日下单ROI进行考核，利用客户离线数据进行联合建模。7日后ROI提升318%，激活下单转化率提升63%。
在另一个电商客户的合作中，客户本身有很好的投放优化能力，但客户依旧遇见了增量获取的难题。如上文所述的第三种场景，考核投放目标大模型数据累积不足，成本波动大且跑量困难。基于这个痛点，巨量引擎通过联合建模传入数据，加快新目标的冷启动优化。结果显示，这个方案让客户下单成本降低了12%，跑量提升了8%，顺利渡过冷启动期。
联邦学习案例
在另一个教育品牌的例子中，客户对正价课付费人群数据严格保密，无法输出至巨量引擎服务器，但该数据又是营收核心指标，客户希望优化该部分转化率即正价课续课率。
巨量引擎通过"联邦学习-巨量引擎单侧特征模型"的方法，巨量引擎侧和客户侧各自提供用户标识+特征/标签，数据取交集后共同建模。这种方法在不获知用户深度行为标签（即哪些人购买了正价课）的同时，具备预测深度正价课转化率的能力。结合在广告精排阶段的动态出价调整，优化在线教育广告的正价课转化率，提升客户获客ROI。
基于以上方案，联邦学习目前与在线教育行业多家头部客户深入合作探索中，帮助教育客户广告跑量提升124%，正价课续报人数提升209%，续报率提升33.1%，正价课续费用户获客成本降低11.7%。
