データはそれぞれの場所に留まります。フェデレーテッドラーニングは、生データを一元化することなく、複数のデバイスでモデルをトレーニングします。各デバイスはローカルデータに基づいて更新を計算し、その更新のみをサーバーに送信します。サーバーはそれらを集約して共有モデルを作成します。

この手法は、プライバシーや帯域幅の問題で集中管理が現実的でない状況に適しています。キーボードはキーストロークを送信することなくタイピングパターンを学習します。病院は患者の記録を共有することなく診断モデルを訓練できます。

コアメカニズム

• 各デバイスでのローカルトレーニング
• 勾配またはモデルの更新がサーバーに送信されます
• 更新されたグローバルモデルへの集約
• 次のラウンドに向けてデバイスへの配布を再開します。

課題は依然として残っています。デバイスによってデータ分布、接続速度、可用性が異なります。通信オーバーヘッドは大きく、アップデートは適切に保護されていないと情報漏洩につながる可能性があります。セキュアなデータ集約と差分プライバシーは、追加コストでセキュリティ対策を強化します。