Что такое federated learning?
Federated learning (федеративное обучение) — это парадигма обучения моделей машинного обучения, при которой данные никогда не покидают устройства или серверы, на которых они находятся. Вместо сбора данных в одном месте модель отправляется к данным — обучается локально на каждом узле, а только обновления весов (градиенты) передаются на центральный сервер и агрегируются.
Как работает процесс?
Центральный сервер распространяет текущую модель среди участников (например, больниц, подразделений компании). Каждый участник обучает модель на своих локальных данных и отправляет обратно только обновлённые веса. Сервер агрегирует обновления (например, алгоритмом FedAvg) и создаёт улучшенную версию глобальной модели. Процесс повторяется итеративно. Дополнительные техники, такие как безопасная агрегация (secure aggregation) и дифференциальная приватность (differential privacy), гарантируют, что из градиентов невозможно восстановить исходные данные.
Значение для предприятий
Federated learning решает ключевую корпоративную проблему: как обучать модели AI на чувствительных данных, не нарушая GDPR и отраслевые регламенты. Особенно ценен в медицинском, финансовом и юридическом секторах, где данные не могут покидать организацию. Позволяет сотрудничество между субъектами при сохранении полного контроля над собственными данными.