Federated Learning ist ein spezieller Ansatz des maschinellen Lernens, bei dem das Modell auf dezentral arrangierten Geräten und/oder Rechenressourcen trainiert wird, anstatt alle Daten auf einem zentralen Server zu verarbeiten. Dieser Ansatz wurde entwickelt, um Datenschutzbedenken anzugehen, die bei der zentralen Sammlung und Speicherung von sensiblen Daten aufkommen können.
Ein zentrales Modell wird erstellt und initialisiert.
Das Modell wird auf lokalen Geräten oder dezentralen Servern trainiert, die sich im Besitz der Benutzer:innen befinden (z. B. Smartphones, IoT-Geräte).
Das Modell wird auf jedem Gerät mit den lokal verfügbaren Daten aktualisiert, ohne dass die Informationen das jeweilige Gerät verlassen.
Nur die Modellupdates (Gewichtungsänderungen) werden an einen zentralen Server gesendet.
Der zentrale Server aggregiert die erhaltenen Updates, um eine verbesserte Version des Modells zu erstellen.
Dieser Prozess wird iterativ wiederholt, um das Modell schrittweise zu verbessern.
Der Vorteil von Federated Learning liegt darin, dass sensible Daten lokal bleiben, was die Privatsphäre der Benutzer:innen schützt. Der zentrale Server erfährt nicht, welche spezifischen Daten zu welchem lokalen Gerät gehören, sondern verfährt nur mit zuvor aggregierten Modellupdates. Dies ist besonders wichtig in Applikationen, in denen Datenschutz und Sicherheit von höchster Bedeutung sind, wie beispielsweise in Gesundheits- oder Finanzanwendungen.
