¿O que é o Aprendizaxe Federado?
O aprendizaxe federado (AF) é un paradigma de aprendizaxe automática no que os modelos se adestran en datos descentralizados en múltiples dispositivos ou servidores sen compartir os datos brutos. En lugar de enviar datos a un servidor central, o modelo adéstrase localmente en cada dispositivo e só se envían as actualizacións do modelo (gradientes ou cambios de pesos) a un agregador central que as combina nun modelo global mellorado.
Beneficios para a Privacidade
O AF aborda as preocupacións de privacidade ao garantir que os datos brutos nunca saian do seu lugar de orixe. Isto é especialmente valioso para: datos de saúde (aprendizaxe entre pacientes sen fugas de datos), institucións financeiras (aprendizaxe entre sectores sen compartir datos propietarios) e dispositivos móbeis (aprendizaxe personalizado sen cargar datos de uso privados).
Desafíos e Consideracións
O AF non é unha solución máxica. Os ataques de inversión de gradientes aínda poden reconstruír parcialmente os datos orixinais. Os custos de comunicación son significativos. Os datos heteroxéneos entre clientes poden ralentizar a converxencia. Combinar o AF con privacidade diferencial e agregación segura para garantías de privacidade sólidas.