Uczenie federacyjne

Uczenie federacyjne (ang. Federated Learning) to rozproszony paradygmat uczenia maszynowego wprowadzony przez McMahan et al. w 2017 r., w którym globalny model jest trenowany wspólnie na wielu zdecentralizowanych klientach – takich jak urządzenia mobilne czy systemy szpitalne – bez przesyłania surowych danych do centralnego serwera. Każdy uczestnik lokalnie oblicza aktualizacje modelu przy użyciu swoich prywatnych danych; tylko te aktualizacje, a nie leżące u ich podstaw dane, są komunikowane i agregowane przez serwer w celu ulepszenia współdzielonego modelu.