联邦学习（Federated Learning, a.k.a. Federated Machine Learning）可以分为三类：
横向联邦学习（Horizontal Federated Learning），纵向联邦学习（Vertical Federated Learning），迁移联邦学习（Federated Transfer Learning）
对于一个数据表格来说，通常一行代表一个样本，纵向的一列代表的是一个数据特征。
横向联邦就是每个client的数据特征相同，用户不同，是对样本数量的扩充
纵向联邦就是用户相同，但是数据特征不同，是对样本数据特征的扩充
基于特征对齐的联邦学习。通俗的讲，就是特征就是那么多特征，只是用户不同，以此来扩充样本数量。
定义：两组样本ＩＤ重叠较少，但是这两组样本的特征是重叠很多的，举个例子就是两家不同地区银行，他们的客户是不同的，但是客户的数据的特征类别是相同的，
用户ID重叠较多，但是特征重叠少，通俗的讲，就是用户是一批用户，但是他们的特征是不同的。
也称为样本对齐的联邦学习，只是使得特征维度增多而已。
当参与者间特征和样本重叠都很少时可以考虑使用联邦迁移学习，如不同地区的银行和商超间的联合。主要适用于以深度神经网络为基模型的场景。
利用数据、任务、或模型之间的相似性，将在源领域学习过的模型，应用于 目标领域的一种学习过程。
通俗的讲，就是“举一反三”，“照猫画虎”。
这里的横向和纵向指的是对数据的划分。
横向联邦学习是对数据按行划分，每一行一个样本。不同行的数据有相同的数据特征，即数据特征是对齐的。
纵向联邦学习是对数据按列划分，每一列一个特征。不同列的数据有相同的样本ID，即训练样本是对齐的。