Los datos permanecen donde se encuentran. El aprendizaje federado entrena modelos en múltiples dispositivos sin centralizar los datos brutos. Cada dispositivo calcula las actualizaciones de los datos locales, envía solo esas actualizaciones a un servidor, y este las agrega en un modelo compartido.

Este enfoque resulta adecuado para situaciones en las que la privacidad o el ancho de banda dificultan la centralización. Los teclados aprenden patrones de escritura sin enviar pulsaciones de teclas. Los hospitales entrenan modelos de diagnóstico sin compartir historiales de pacientes.

Mecánica básica

• Capacitación local en cada dispositivo
• Actualizaciones de gradiente o modelo enviadas a un servidor
• Agregación en un modelo global actualizado
• Distribución de vuelta a los dispositivos para la siguiente ronda.

Persisten los desafíos. Los dispositivos presentan diferentes distribuciones de datos, velocidades de conexión y disponibilidad. La sobrecarga de comunicación es significativa y las actualizaciones pueden filtrar información si no se protegen adecuadamente. La agregación segura y la privacidad diferencial añaden medidas de seguridad, aunque con un coste adicional.