Les données restent où elles se trouvent. L'apprentissage fédéré permet d'entraîner des modèles sur de nombreux appareils sans centraliser les données brutes. Chaque appareil calcule les mises à jour des données locales, envoie uniquement ces mises à jour à un serveur, et ce dernier les agrège dans un modèle partagé.

Cette approche convient aux situations où la confidentialité ou la bande passante rendent la centralisation impossible. Les claviers apprennent les habitudes de frappe sans transmettre les frappes. Les hôpitaux entraînent des modèles de diagnostic sans partager les dossiers des patients.

Mécanismes fondamentaux

• Formation locale sur chaque appareil
• Mises à jour de gradient ou de modèle envoyées à un serveur
• Agrégation dans un modèle global mis à jour
• Distribution vers les appareils pour le prochain cycle

Des défis persistent. Les appareils présentent des distributions de données, des vitesses de connexion et une disponibilité différentes. La surcharge de communication est importante et les mises à jour peuvent entraîner des fuites d'informations si elles ne sont pas soigneusement protégées. L'agrégation sécurisée et la confidentialité différentielle ajoutent des garanties, moyennant un coût supplémentaire.