Federated Learning ist ein verteiltes maschinelles Lernverfahren, bei dem mehrere Clients lokal Modelle trainieren und nur ihre Parameter oder Gradienten an einen zentralen Server übermitteln.
Der Server aggregiert diese Updates, meist durch gewichtetes Mittelwertbilden (z.B. FedAvg), und verteilt das aktualisierte globale Modell zurück an die Clients.
Dieser Ansatz ermöglicht das Trainieren von Modellen auf verteilten, privaten Datensätzen ohne direkte Datenweitergabe.
Herausforderungen sind dabei die heterogene Datenverteilung, unterschiedliche Rechenkapazitäten der Clients sowie Kommunikationskosten.
Federated Learning wird oft in Bereichen wie mobilen Geräten, Gesundheitswesen oder IoT eingesetzt, wo Datenschutz wichtig ist.