El aprendizaje federado es un método de aprendizaje automático distribuido en el que varios clientes entrenan modelos localmente y solo envían sus parámetros o gradientes a un servidor central.
El servidor agrega estas actualizaciones, generalmente mediante un promedio ponderado (p. ej., FedAvg), y distribuye el modelo global actualizado de vuelta a los clientes.
Este enfoque permite entrenar modelos sobre conjuntos de datos distribuidos y privados sin compartir los datos directamente.
Los desafíos incluyen la distribución heterogénea de datos, diferentes capacidades computacionales de los clientes y los costos de comunicación.
El aprendizaje federado se utiliza a menudo en áreas como dispositivos móviles, salud o IoT, donde la privacidad es importante.