Cos'è il Federated Learning?
Il Federated Learning (FL) è un paradigma di machine learning in cui i modelli vengono addestrati su dati decentralizzati su più dispositivi o server senza condividere i dati grezzi. Invece di inviare dati a un server centrale, il modello viene addestrato localmente su ogni dispositivo e solo gli aggiornamenti del modello (gradienti o variazioni dei pesi) vengono inviati a un aggregatore centrale che li combina in un modello globale migliorato.
Vantaggi per la Privacy
Il FL affronta i problemi di privacy garantendo che i dati grezzi non lascino mai la loro origine. Questo è particolarmente prezioso per: dati sanitari (apprendimento inter-paziente senza perdite di dati), istituzioni finanziarie (apprendimento inter-settoriale senza condividere dati proprietari) e dispositivi mobili (apprendimento personalizzato senza caricare dati di utilizzo privati).
Sfide e Considerazioni
Il FL non è una soluzione universale. Gli attacchi di inversione dei gradienti possono ancora ricostruire parzialmente i dati originali. I costi di comunicazione sono significativi. Combinate il FL con la privacy differenziale e l'aggregazione sicura per robuste garanzie di privacy.