Veriler bulunduğu yerde kalır. Federasyonlu öğrenme, ham verileri merkezileştirmeden birçok cihazda modelleri eğitir. Her cihaz yerel veriler üzerinde güncellemeler hesaplar, yalnızca bu güncellemeleri bir sunucuya gönderir ve sunucu bunları paylaşılan bir modelde bir araya getirir.

Bu yaklaşım, gizlilik veya bant genişliğinin merkezileşmeyi pratik olmaktan çıkardığı durumlara uygundur. Klavyeler, tuş vuruşlarını göndermeden yazma kalıplarını öğrenir. Hastaneler, hasta kayıtlarını paylaşmadan tanı modellerini eğitir.

Temel mekanikler

• Her cihaz için yerel eğitim
• Gradyan veya model güncellemeleri bir sunucuya gönderildi.
• Güncellenmiş küresel modele entegrasyon
• Bir sonraki tur için cihazlara geri dağıtım

Zorluklar devam ediyor. Cihazların veri dağılımları, bağlantı hızları ve kullanılabilirlik durumları farklılık gösteriyor. İletişim yükü önemli ve güncellemeler, dikkatlice korunmadığı takdirde bilgi sızdırabilir. Güvenli toplama ve diferansiyel gizlilik, ek maliyetle ek koruma sağlıyor.