Daten bleiben dort, wo sie gespeichert sind. Föderiertes Lernen trainiert Modelle geräteübergreifend, ohne Rohdaten zentral zu speichern. Jedes Gerät berechnet Aktualisierungen der lokalen Daten, sendet nur diese Aktualisierungen an einen Server, der sie zu einem gemeinsamen Modell zusammenführt.

Dieser Ansatz eignet sich für Situationen, in denen Datenschutz oder Bandbreite eine Zentralisierung unpraktisch machen. Tastaturen lernen Tippmuster, ohne Tastenanschläge zu senden. Krankenhäuser trainieren Diagnosemodelle, ohne Patientendaten auszutauschen.

Kernmechaniken

• Lokale Schulung auf jedem Gerät
• Gradienten- oder Modellaktualisierungen werden an einen Server gesendet
• Zusammenführung zu einem aktualisierten globalen Modell
• Die Verteilung zurück an die Geräte für die nächste Runde

Es bestehen weiterhin Herausforderungen. Geräte weisen unterschiedliche Datenverteilungen, Verbindungsgeschwindigkeiten und Verfügbarkeiten auf. Der Kommunikationsaufwand ist erheblich, und Aktualisierungen können Informationen preisgeben, wenn sie nicht sorgfältig geschützt werden. Sichere Aggregation und differenzielle Privatsphäre bieten zusätzlichen Schutz, verursachen jedoch weitere Kosten.