Data blijft waar het zich bevindt. Federated learning traint modellen op meerdere apparaten zonder de ruwe data te centraliseren. Elk apparaat berekent updates op lokale data, stuurt alleen die updates naar een server, en de server voegt ze samen tot een gedeeld model.

Deze aanpak is geschikt voor situaties waarin privacy of bandbreedte centralisatie onpraktisch maakt. Toetsenborden leren typgedrag zonder toetsaanslagen te verzenden. Ziekenhuizen trainen diagnostische modellen zonder patiëntendossiers te delen.

Kernmechanismen

• Lokale training op elk apparaat
• Gradiënt- of modelupdates worden naar een server verzonden.
• Aggregatie tot een bijgewerkt wereldwijd model
• Distributie terug naar apparaten voor de volgende ronde

Er blijven uitdagingen bestaan. Apparaten hebben verschillende datadistributies, verbindingssnelheden en beschikbaarheid. De communicatiekosten zijn aanzienlijk en updates kunnen informatie lekken als ze niet zorgvuldig worden beschermd. Veilige aggregatie en differentiële privacy bieden extra bescherming, maar brengen wel extra kosten met zich mee.