Kas ir federatīvā mācīšanās?
Federatīvā mācīšanās (Federated Learning) ir mašīnmācīšanās pieeja, kurā modelis tiek apmācīts uz datiem, kas paliek to īpašnieku infrastruktūrā — dati nekad nepārvietojas uz centrālo serveri. Tā vietā modelis tiek nosūtīts pie datiem, apmācīts lokāli, un tikai modeļa atjauninājumi (gradienti) tiek apvienoti centrāli. Tas risina fundamentālu problēmu — kā iegūt labumu no daudziem datu avotiem, neapdraudot privātumu.
Arhitektūra un metodes
Centralizētā federatīvajā mācīšanā centrālais serveris koordinē apmācību, apvienojot lokālos atjauninājumus (FedAvg algoritms). Decentralizētā pieeja izmanto vienādranga (peer-to-peer) komunikāciju bez centrālā servera. Horizontālā federatīvā mācīšanā dalībniekiem ir vienādi datu atribūti, bet dažādi paraugi. Vertikālā — dalībniekiem ir dažādi atribūti par tiem pašiem paraugiem.
Pielietojumi un izaicinājumi
Veselības aprūpē — slimnīcas kopīgi apmāca diagnostikas modeļus, nedeloties ar pacientu datiem. Finansēs — bankas sadarbojas krāpšanas atklāšanā, neizpaužot klientu datus. Mobilajās ierīcēs — tastatūras prognozēšana mācās no lietotāju datiem lokāli. Izaicinājumi ietver: komunikācijas efektivitāti (daudzi modeļu atjauninājumi), datu neviendabīgumu starp dalībniekiem, aizsardzību pret ļaunprātīgiem dalībniekiem un modeļa konverģences nodrošināšanu.