Föderiertes Lernen
Was ist Föderiertes Lernen?
Föderiertes LernenEin verteiltes Machine-Learning-Paradigma, bei dem viele Clients ein Modell unter einem zentralen Koordinator gemeinsam trainieren und ihre Rohdaten dabei lokal behalten.
Federated Learning (FL) trainiert ein gemeinsames Machine-Learning-Modell über viele Teilnehmer hinweg — Smartphones, Krankenhäuser, Banken —, ohne die Trainingsdaten zentral zusammenzuführen. Jeder Client berechnet auf seinen eigenen Daten einen lokalen Gradienten oder Modell-Update und sendet nur dieses Update an einen Aggregator, der die Beiträge (häufig per FedAvg) zu einem neuen globalen Modell kombiniert. Da die Rohupdates dennoch Informationen über die Trainingsdaten preisgeben können, kommen in modernen Einsätzen kryptografische Schutzschichten hinzu: Secure Aggregation, Differential Privacy und gelegentlich homomorphe Verschlüsselung oder MPC. Google führte FL 2017 für Wortvorschläge der Gboard-Tastatur ein; heute wird es breit in der medizinischen Bildgebung, der institutsübergreifenden Betrugserkennung und der On-Device-Personalisierung von LLMs eingesetzt.
● Beispiele
- 01
Gboard lernt Wortvorhersagen von Millionen Smartphones, ohne den eingegebenen Text an Google-Server zu senden.
- 02
Krankenhauskonsortien trainieren Diagnosemodelle gemeinsam, ohne dass Patientendaten die einzelne Einrichtung verlassen.
● Häufige Fragen
Was ist Föderiertes Lernen?
Ein verteiltes Machine-Learning-Paradigma, bei dem viele Clients ein Modell unter einem zentralen Koordinator gemeinsam trainieren und ihre Rohdaten dabei lokal behalten. Es gehört zur Kategorie Kryptografie der Cybersicherheit.
Was bedeutet Föderiertes Lernen?
Ein verteiltes Machine-Learning-Paradigma, bei dem viele Clients ein Modell unter einem zentralen Koordinator gemeinsam trainieren und ihre Rohdaten dabei lokal behalten.
Wie funktioniert Föderiertes Lernen?
Federated Learning (FL) trainiert ein gemeinsames Machine-Learning-Modell über viele Teilnehmer hinweg — Smartphones, Krankenhäuser, Banken —, ohne die Trainingsdaten zentral zusammenzuführen. Jeder Client berechnet auf seinen eigenen Daten einen lokalen Gradienten oder Modell-Update und sendet nur dieses Update an einen Aggregator, der die Beiträge (häufig per FedAvg) zu einem neuen globalen Modell kombiniert. Da die Rohupdates dennoch Informationen über die Trainingsdaten preisgeben können, kommen in modernen Einsätzen kryptografische Schutzschichten hinzu: Secure Aggregation, Differential Privacy und gelegentlich homomorphe Verschlüsselung oder MPC. Google führte FL 2017 für Wortvorschläge der Gboard-Tastatur ein; heute wird es breit in der medizinischen Bildgebung, der institutsübergreifenden Betrugserkennung und der On-Device-Personalisierung von LLMs eingesetzt.
Wie schützt man sich gegen Föderiertes Lernen?
Schutzmaßnahmen gegen Föderiertes Lernen kombinieren typischerweise technische Kontrollen und operative Praktiken, wie in der Definition oben beschrieben.
Welche anderen Bezeichnungen gibt es für Föderiertes Lernen?
Übliche alternative Bezeichnungen: FL, Föderiertes maschinelles Lernen.
● Verwandte Begriffe
- cryptography№ 987
Sichere Mehrparteienberechnung (MPC)
Eine Familie kryptografischer Protokolle, mit denen mehrere Parteien gemeinsam eine Funktion über ihre privaten Eingaben berechnen, ohne dabei mehr als die Ausgabe preiszugeben.
- cryptography№ 481
Homomorphe Verschlüsselung
Verschlüsselungsverfahren, das Berechnungen direkt auf Chiffretexten erlaubt und verschlüsselte Ergebnisse liefert, die den Operationen auf den Klartexten entsprechen.
- cryptography№ 859
Private Set Intersection (PSI)
Ein kryptografisches Protokoll, mit dem zwei oder mehr Parteien die Schnittmenge ihrer privaten Mengen berechnen, ohne etwas über die übrigen Elemente preiszugeben.
- cryptography№ 1265
Zero-Knowledge-Beweis (ZKP)
Ein kryptografisches Protokoll, mit dem ein Prover einen Verifier von der Wahrheit einer Aussage überzeugt, ohne darüber hinaus weitere Informationen preiszugeben.
- cryptography№ 249
Kryptographie
Wissenschaft, die Informationen mit mathematischen Verfahren gegen Angreifer schützt und Vertraulichkeit, Integrität, Authentizität sowie Nichtabstreitbarkeit gewährleistet.
- cryptography№ 1152
Schwellenkryptografie
Eine Klasse kryptografischer Verfahren, bei denen ein geheimer Schlüssel auf n Parteien aufgeteilt wird, sodass nur eine beliebige Teilmenge von t Parteien gemeinsam signieren, entschlüsseln oder andere Schlüsseloperationen ausführen kann.