Mô hình hóa dữ liệu là bài toán quan trọng trong phân tích dữ liệu. Học máy là phương pháp được sử dụng rộng rãi để giải quyết bài toán mô hình hóa này. Hầu hết các mô hình học là cục bộ theo nghĩa dữ liệu huấn luyện mô hình được tập trung nơi máy chủ, do đó, không tận dụng được dữ liệu chia sẻ đa dạng từ nhiều nguồn. Kết quả là tính tổng quát hóa của mô hình thu được có thể bị hạn chế. Học liên kết là phương pháp học với dữ liệu huấn luyện từ nhiều nguồn, và vì thế, nó có nhiều ưu điểm so với các mô hình học khác. Mô hình học liên kết có thể được áp dụng cho nhiều dạng dữ liệu và nhiều thuật toán máy học khác nhau. Bên cạnh độ tổng quát hóa cao, mô hình học liên kết còn đảm bảo tính riêng tư cho tập dữ liệu huấn luyện. Bài báo này, đề xuất mô hình học liên kết cải tiến đảm bảo tính riêng tư dựa trên mô hình học liên kết. Kết quả thử nghiệm cho thấy tính khả thi có thể áp dụng vào các bài toán sử dụng học máy trong thực tế, đồng thời cũng mở ra những những thách thức tiếp tục nghiên cứu, cải tiến., Tóm tắt tiếng anh, Data modeling is an important problem in data analysis. Machine learning is the most popular method to solve this modeling problem. All most of machine learning schemes are local learning schemes in which the training dataset is stored at a server, therefore it can't take advantage of the diversity of data shared from multiple sources. As a result, the generalization of the obtained model is limited. The federated learning is a learning from multi-source of data so it has many advantages compared to other methods. Federated learning model applies to a variety of data types and machine learning algorithms. Besides accuracy, this model also ensures privacy for the training data set. This paper proposes an improvement of the federated learning model to ensure privacy protection based on an federated-learning model. The experimental results show the feasibility which can be applied to problems using machine learning in practice and also open up challenges to improve research and innovation.