Vad är Federerat lärande
Distribuerat lärande utan dataöverföring
Federerat lärande — maskininlärningsmetod där modellen tränas på distribuerad data utan centralisering, med bevarad integritet.
Hur det fungerar
- Lokal träning — modellen tränar på användarenheter
- Gradientaggregering — endast modellparametrar skickas till servern
- Modelluppdatering — global modell uppdateras utan dataåtkomst
- Federerad medelvärdesbildning — FedAvg-algoritm för viktsammanslagning
- Differentiell integritet — lägger till brus för skydd
Fördelar
- Dataintegritet — data lämnar aldrig enheten
- GDPR-efterlevnad — ingen överföring av personuppgifter
- Användning av distribuerad data — tillgång till stora volymer
- Minskad latens — lokal bearbetning
- Lägre nätverksbelastning — endast parametrar överförs
Tillämpningar
- Smartphonetangentbord — träning av prediktiv inmatning
- Sjukvård — analysera data från olika kliniker
- Finans — gemensamma modeller utan dataröjande
- IoT — träning på edge-enheter
- Fordon — förbättra autopilot utan videoöverföring