Was ist Föderiertes Lernen
Verteiltes Lernen ohne Datenübertragung
Föderiertes Lernen — Machine-Learning-Ansatz, bei dem das Modell auf verteilten Daten ohne Zentralisierung trainiert wird und die Privatsphäre gewahrt bleibt.
Funktionsweise
- Lokales Training — Modell trainiert auf Benutzergeräten
- Gradientenaggregation — nur Modellparameter werden an Server gesendet
- Modellaktualisierung — globales Modell aktualisiert ohne Datenzugriff
- Föderierte Mittelung — FedAvg-Algorithmus zur Gewichtszusammenführung
- Differentielle Privatsphäre — Hinzufügen von Rauschen zum Schutz
Vorteile
- Datenschutz — Daten verlassen das Gerät nie
- DSGVO-Konformität — keine Übertragung personenbezogener Daten
- Nutzung verteilter Daten — Zugriff auf große Datenmengen
- Reduzierte Latenz — lokale Verarbeitung
- Geringere Netzwerkbelastung — nur Parameter werden übertragen
Anwendungen
- Smartphone-Tastaturen — Training der Vorhersageeingabe
- Gesundheitswesen — Analyse von Daten aus verschiedenen Kliniken
- Finanzen — gemeinsame Modelle ohne Datenoffenlegung
- IoT — Training auf Edge-Geräten
- Fahrzeuge — Verbesserung des Autopiloten ohne Videoübertragung