Data forbliver, hvor de er. Federated learning træner modeller på tværs af mange enheder uden at centralisere rådata. Hver enhed beregner opdateringer på lokale data, sender kun disse opdateringer til en server, og serveren aggregerer dem i en delt model.

Tilgangen er egnet til situationer, hvor privatliv eller båndbredde gør centralisering upraktisk. Tastaturer lærer skrivemønstre uden at sende tastetryk. Hospitaler træner diagnostiske modeller uden at dele patientjournaler.

Kernemekanik

• Lokal træning på hver enhed
• Gradient- eller modelopdateringer sendt til en server
• Aggregering til en opdateret global model
• Distribution tilbage til enheder til næste runde

Udfordringerne fortsætter. Enheder har forskellige datadistributioner, forbindelseshastigheder og tilgængelighed. Kommunikationsomkostningerne er betydelige, og opdateringer kan lække information, hvis de ikke beskyttes omhyggeligt. Sikker aggregering og differentieret privatliv tilføjer sikkerhedsforanstaltninger mod ekstra omkostninger.