Data tetap berada di tempatnya. Federated learning melatih model di banyak perangkat tanpa memusatkan data mentah. Setiap perangkat menghitung pembaruan pada data lokal, hanya mengirimkan pembaruan tersebut ke server, dan server menggabungkannya ke dalam model bersama.

Pendekatan ini cocok untuk situasi di mana privasi atau bandwidth membuat sentralisasi tidak praktis. Papan ketik mempelajari pola pengetikan tanpa mengirimkan penekanan tombol. Rumah sakit melatih model diagnostik tanpa berbagi catatan pasien.

Mekanika inti

• Pelatihan lokal pada setiap perangkat
• Pembaruan gradien atau model dikirim ke server.
• Penggabungan ke dalam model global yang diperbarui
• Distribusi kembali ke perangkat untuk putaran berikutnya

Tantangan masih tetap ada. Perangkat memiliki distribusi data, kecepatan koneksi, dan ketersediaan yang berbeda. Beban komunikasi cukup signifikan, dan pembaruan dapat membocorkan informasi jika tidak dilindungi dengan cermat. Agregasi aman dan privasi diferensial menambahkan perlindungan dengan biaya tambahan.