Az adatok ott maradnak, ahol vannak. Az összevont tanulás a modelleket számos eszközön keresztül képezi ki a nyers adatok központosítása nélkül. Minden eszköz kiszámítja a helyi adatok frissítéseit, csak ezeket a frissítéseket küldi el egy szervernek, és a szerver összesíti azokat egy megosztott modellbe.

A megközelítés olyan helyzetekben alkalmazható, ahol az adatvédelem vagy a sávszélesség miatt a központosítás nem praktikus. A billentyűzetek billentyűleütések küldése nélkül tanulják meg a gépelési mintákat. A kórházak a diagnosztikai modelleket a betegek adatainak megosztása nélkül képzik.

Magmechanika

• Helyi betanítás minden eszközön
• Színátmenet vagy modellfrissítések küldése egy szerverre
• Összesítés egy frissített globális modellbe
• Eszközökre való visszaterjesztés a következő körre

A kihívások továbbra is fennállnak. Az eszközök eltérő adatelosztással, csatlakozási sebességgel és elérhetőséggel rendelkeznek. A kommunikációs terhelés jelentős, és a frissítések, ha nem védik őket gondosan, információkat szivárogtathatnak ki. A biztonságos összesítés és a differenciális adatvédelem további védelmet nyújt, de ez többletköltséggel jár.