Федеративное обучение.

Парадигма распределённого машинного обучения, при которой множество клиентов совместно обучает модель под управлением центрального координатора, сохраняя сырые данные на своих устройствах. Относится к категории Криптография в кибербезопасности.

Парадигма распределённого машинного обучения, при которой множество клиентов совместно обучает модель под управлением центрального координатора, сохраняя сырые данные на своих устройствах.

Федеративное обучение (Federated Learning, FL) обучает общую модель машинного обучения у множества участников — смартфонов, больниц, банков — без централизации обучающих данных. Каждый клиент вычисляет локальный градиент или обновление модели на своих данных и отправляет агрегатору только это обновление; агрегатор, как правило с помощью FedAvg, объединяет вклады в новую глобальную модель. Поскольку сырые обновления всё же могут раскрывать информацию о данных, в современных развёртываниях добавляются криптографические защиты: безопасное агрегирование, дифференциальная приватность и иногда гомоморфное шифрование или MPC. Google внедрил FL в 2017 году для подсказок клавиатуры Gboard; сегодня он широко применяется в медицинской визуализации, межбанковском выявлении мошенничества и персонализации LLM на устройстве.

Защита от Федеративное обучение обычно сочетает технические меры и операционные практики, как описано в определении выше.

Распространённые альтернативные названия: FL, Федеративное машинное обучение.