Datele rămân acolo unde se află. Învățarea federată antrenează modele pe mai multe dispozitive fără a centraliza datele brute. Fiecare dispozitiv calculează actualizări pe baza datelor locale, trimite doar acele actualizări către un server, iar serverul le agregă într-un model partajat.

Abordarea se potrivește situațiilor în care confidențialitatea sau lățimea de bandă fac centralizarea impracticabilă. Tastaturile învață modele de tastare fără a trimite apăsări de taste. Spitalele antrenează modele de diagnostic fără a partaja fișele pacienților.

Mecanica de bază

• Instruire locală pe fiecare dispozitiv
• Actualizări de gradient sau model trimise către un server
• Agregarea într-un model global actualizat
• Distribuție înapoi către dispozitive pentru runda următoare

Provocările persistă. Dispozitivele au distribuții de date, viteze de conectare și disponibilitate diferite. Costul suplimentar de comunicare este semnificativ, iar actualizările pot scurge informații dacă nu sunt protejate cu atenție. Agregarea securizată și confidențialitatea diferențială adaugă garanții la un cost suplimentar.