##一般常見的聯合學習框架##:
Google的Tensorflow Federated、臉書的PySyft、Nvidia的Clara、百度的Paddle Federated Learning（PFL）, 及中國純網銀微眾銀行的FATE
#具體應用場景: 聯合學習醫療聯盟 ##def: 聯盟的運作，會由各領域專家提出聯合學習協定，先行訓練出一套聯合學習樣板AI模型後，再邀請有意願的醫療單位加入，以各自的資料在端點訓練模型 ##EG: Google在2017年發表的研究成果，就是聯合學習的經典案例。 ##當時，Google為改善手機虛擬鍵盤輸入程式Gboard的選字建議，但又不想收集每位用戶的使用資料，於是設計一套分散式機器學習方法，讓每支手機從中央主機下載一套模型，在用戶端依使用者行為，來訓練Local端模型。 ##訓練好後，用戶手機會上傳模型權重至中央主機，中央主機收集一定數量的權重後，就會聚合（Aggregation），計算出一個優化過的權重，再回放到用戶端手機，進行下一輪訓練。後來，Google就將這套多次優化的模型，部署到數百萬支Android手機上。
#1 支援程度 Suport：就是某物品的出現次數，佔所有記錄條數的比例 (%)
#2 信賴程度 Confidence：A事件出現的次數為 m1， A和B事件同時出現的次數為 m2， 那麼A事件發生之後，B事件也有可能發生的自信度為：m2/m1
#如果自信度越高，表示兩者的關聯性越強。也就是A事件發生，B事件也很可能也會發生
#3 興趣度interest：關聯規則有 A -> B, 表示A事件發生，B事件也發生的情況。 #它們的自信度為c， B事件的支援度為s，那麼B事件的興趣度為（c - s）. #如果 B相對於A的自信度(C)很高，表示兩者的關聯性很強; s很低，表示產品B在購物清單中不常見，也就是C和S相差越大，則insterest的值就越大。 # 那A和B之間的關聯性很可能就是我們所感興趣的。
#所以，如果A不是頻繁項，那麼{A，B}這兩個元素所構成的項也不是頻繁項。