Uczenie federacyjne
Zaktualizowano:
Uczenie federacyjne (Federated Learning) to paradygmat uczenia maszynowego, w którym wiele klientów (np. smartfonów, urządzeń IoT, szpitali) wspólnie trenuje globalny model, jednocześnie zachowując swoje dane treningowe lokalnie. Zamiast wysyłać surowe dane do centralnego serwera, każdy klient trenuje kopię modelu na swoich danych, a następnie wysyła jedynie aktualizacje wag lub gradientów do serwera.
Serwer agreguje te aktualizacje od wielu klientów, tworząc ulepszoną wersję globalnego modelu, którą następnie rozsyła z powrotem do klientów. Cykl ten powtarza się, prowadząc do powstania solidnego modelu globalnego, który uczy się z różnorodnych danych, nie naruszając przy tym prywatności poszczególnych użytkowników ani nie wymagając przesyłania wrażliwych informacji.
Główne zalety uczenia federacyjnego to:
- Ochrona prywatności: Dane nigdy nie opuszczają urządzenia źródłowego.
- Zmniejszenie kosztów komunikacji: Przesyłane są tylko małe aktualizacje modelu, a nie całe zbiory danych.
- Wykorzystanie danych rozproszonych: Umożliwia trenowanie na danych, które są zbyt duże lub wrażliwe, aby je scentralizować.
Uczenie federacyjne różni się od tradycyjnego uczenia rozproszonego tym, że w tym drugim dane są zazwyczaj dzielone i przesyłane do centralnych serwerów lub klastrów obliczeniowych, podczas gdy w uczeniu federacyjnym dane pozostają na urządzeniach brzegowych.