Što je federativno učenje?
Federativno učenje je paradigma distribuiranog strojnog učenja u kojoj se model trenira na decentraliziranim podacima koji nikada ne napuštaju lokalne uređaje ili organizacije. Umjesto slanja osjetljivih podataka centralnom poslužitelju, lokalni model trenira na lokalnim podacima, a samo gradijenti ili ažuriranja modela se agregiraju centralno.
Kako funkcionira?
1. Centralni poslužitelj distribuira inicijalni globalni model svim sudionicima. 2. Svaki sudionik lokalno trenira model na vlastitim podacima. 3. Lokalna ažuriranja (ne podaci) šalju se centralno. 4. Centralni agregator kombinira ažuriranja (FedAvg). 5. Poboljšani globalni model se redistribuira. Ciklus se ponavlja dok model ne konvergira.
Primjene i izazovi
Primjene: mobilni tastaturni modeli (Google), medicinska slika kroz bolnice, financijska detekcija prijevara kroz banke. Izazovi: heterogenost podataka (non-IID), ograničenja komunikacije, otpornost na napad trovanje i osiguravanje da gradijenti ne curuju privatne informacije (zahtijeva diferencijalnu privatnost).