Dane pozostają tam, gdzie są. Uczenie federacyjne trenuje modele na wielu urządzeniach bez centralizacji surowych danych. Każde urządzenie oblicza aktualizacje danych lokalnych, wysyła tylko te aktualizacje do serwera, a serwer agreguje je we współdzielony model.

To podejście sprawdza się w sytuacjach, w których prywatność lub przepustowość uniemożliwiają centralizację. Klawiatury uczą się wzorców pisania bez wysyłania naciśnięć klawiszy. Szpitale szkolą modele diagnostyczne bez udostępniania dokumentacji medycznej.

Mechanika podstawowa

• Szkolenia lokalne na każdym urządzeniu
• Aktualizacje gradientu lub modelu wysyłane na serwer
• Agregacja do zaktualizowanego modelu globalnego
• Dystrybucja z powrotem do urządzeń w kolejnej rundzie

Wyzwania wciąż istnieją. Urządzenia różnią się dystrybucją danych, szybkością połączenia i dostępnością. Narzut komunikacyjny jest znaczny, a aktualizacje mogą powodować wyciek informacji, jeśli nie będą odpowiednio zabezpieczone. Bezpieczna agregacja i różnicowa prywatność zapewniają dodatkowe zabezpieczenia, ale wiążą się z dodatkowymi kosztami.