데이터는 원래 위치에 그대로 유지됩니다. 연합 학습은 원시 데이터를 중앙 집중화하지 않고 여러 장치에서 모델을 학습합니다. 각 장치는 로컬 데이터에 대한 업데이트를 계산하고, 해당 업데이트만 서버로 전송하며, 서버는 이를 통합하여 공유 모델을 생성합니다.

이 접근 방식은 개인 정보 보호나 대역폭 문제로 중앙 집중화가 비현실적인 상황에 적합합니다. 키보드는 키 입력을 전송하지 않고 타이핑 패턴을 학습합니다. 병원은 환자 기록을 공유하지 않고 진단 모델을 훈련합니다.

핵심 메커니즘

• 각 기기에서의 로컬 학습
• 서버로 전송된 그라디언트 또는 모델 업데이트
• 업데이트된 글로벌 모델로 집계
• 다음 라운드를 위해 기기로 다시 배포합니다.

여전히 해결해야 할 과제들이 남아 있습니다. 기기마다 데이터 분포, 연결 속도, 가용성이 다릅니다. 통신 오버헤드가 상당하며, 업데이트 과정에서 정보가 유출될 위험이 있으므로 세심한 보호가 필요합니다. 안전한 데이터 집계와 차분 프라이버시는 추가 비용을 감수하더라도 보안을 강화하는 수단입니다.