डेटा वहीं रहता है जहाँ वह मौजूद होता है। फेडरेटेड लर्निंग कच्चे डेटा को केंद्रीकृत किए बिना कई उपकरणों पर मॉडल को प्रशिक्षित करती है। प्रत्येक उपकरण स्थानीय डेटा पर अपडेट की गणना करता है, केवल उन अपडेट को सर्वर पर भेजता है, और सर्वर उन्हें एक साझा मॉडल में एकत्रित करता है।

यह दृष्टिकोण उन स्थितियों के लिए उपयुक्त है जहां गोपनीयता या बैंडविड्थ की कमी के कारण केंद्रीकरण अव्यावहारिक हो जाता है। कीबोर्ड बिना कीस्ट्रोक भेजे टाइपिंग पैटर्न सीखते हैं। अस्पताल रोगी रिकॉर्ड साझा किए बिना नैदानिक ​​मॉडल को प्रशिक्षित करते हैं।

मुख्य यांत्रिकी

• प्रत्येक उपकरण पर स्थानीय प्रशिक्षण
• ग्रेडिएंट या मॉडल अपडेट सर्वर को भेजे जाते हैं
• अद्यतन वैश्विक मॉडल में एकत्रीकरण
• अगले दौर के लिए उपकरणों पर वितरण

चुनौतियाँ अभी भी बनी हुई हैं। उपकरणों में डेटा वितरण, कनेक्शन गति और उपलब्धता भिन्न-भिन्न होती है। संचार में लगने वाला अतिरिक्त भार काफी अधिक होता है, और यदि सावधानीपूर्वक सुरक्षा न की जाए तो अपडेट से जानकारी लीक हो सकती है। सुरक्षित एकत्रीकरण और विभेदक गोपनीयता अतिरिक्त लागत पर सुरक्षा प्रदान करते हैं।