L'apprentissage fédéré est une méthode d'apprentissage automatique distribuée, dans laquelle plusieurs clients entraînent localement des modèles et ne transmettent que leurs paramètres ou gradients à un serveur central.
Le serveur agrège ces mises à jour, généralement par une moyenne pondérée (par exemple FedAvg), et distribue le modèle global mis à jour aux clients.
Cette approche permet d'entraîner des modèles sur des ensembles de données distribués et privés sans partage direct des données.
Les défis incluent la distribution hétérogène des données, les capacités de calcul différentes des clients ainsi que les coûts de communication.
L'apprentissage fédéré est souvent utilisé dans des domaines tels que les appareils mobiles, la santé ou l'IoT, où la protection des données est importante.