Data zůstávají tam, kde jsou. Federované učení trénuje modely napříč mnoha zařízeními bez centralizace nezpracovaných dat. Každé zařízení vypočítává aktualizace lokálních dat, odesílá na server pouze tyto aktualizace a server je agreguje do sdíleného modelu.

Tento přístup je vhodný pro situace, kdy soukromí nebo šířka pásma znemožňují centralizaci. Klávesnice se učí psacím vzorcům bez odesílání stisků kláves. Nemocnice trénují diagnostické modely bez sdílení záznamů o pacientech.

Základní mechanika

• Lokální školení na každém zařízení
• Aktualizace gradientu nebo modelu odeslané na server
• Agregace do aktualizovaného globálního modelu
• Distribuce zpět do zařízení pro další kolo

Problémy přetrvávají. Zařízení mají různou distribuci dat, rychlost připojení a dostupnost. Komunikační režie je značná a aktualizace mohou vést k úniku informací, pokud nejsou pečlivě chráněny. Bezpečná agregace a diferencované soukromí přidávají ochranná opatření za příplatek.