Os dados permanecem onde estão. A aprendizagem federada treina modelos em vários dispositivos sem centralizar os dados brutos. Cada dispositivo computa atualizações em dados locais, envia apenas essas atualizações para um servidor, e o servidor agrega-as num modelo partilhado.

Esta abordagem é adequada para situações em que a privacidade ou a largura de banda tornam a centralização impraticável. Os teclados aprendem padrões de digitação sem enviar comandos de teclado. Os hospitais treinam modelos de diagnóstico sem partilhar registos de pacientes.

Mecânica básica

• Formação local em cada dispositivo
• Atualizações de gradiente ou de modelo enviadas para um servidor
• Agregação num modelo global atualizado
• Distribuição de volta aos dispositivos para a próxima ronda

Os desafios persistem. Os dispositivos apresentam diferentes distribuições de dados, velocidades de ligação e disponibilidade. A sobrecarga de comunicação é significativa e as atualizações podem deixar escapar informações se não forem cuidadosamente protegidas. A agregação segura e a privacidade diferencial acrescentam salvaguardas a um custo adicional.