Федеративное обучение — это распределённый метод машинного обучения, при котором несколько клиентов локально обучают модели и передают только их параметры или градиенты на центральный сервер.
Сервер агрегирует эти обновления, чаще всего с помощью взвешенного среднего (например, FedAvg), и распределяет обновлённую глобальную модель обратно клиентам.
Этот подход позволяет обучать модели на распределённых, приватных наборах данных без прямой передачи данных.
Проблемами при этом являются гетерогенное распределение данных, различные вычислительные мощности клиентов, а также затраты на коммуникацию.
Федеративное обучение часто применяется в таких областях, как мобильные устройства, здравоохранение или IoT, где важна защита данных.