El Aprendizaje Federado con Privacidad Diferencial combina el entrenamiento distribuido de modelos en varios dispositivos locales con métodos matemáticos para la protección de la privacidad.
En el Aprendizaje Federado, los modelos locales se entrenan en los dispositivos finales y solo se envían actualizaciones agregadas a un servidor central.
Se utiliza la Privacidad Diferencial para añadir ruido a estas actualizaciones, de modo que no se puedan reconstruir datos individuales.
Los parámetros importantes son el presupuesto de privacidad (ε, delta), que define el nivel de protección de la privacidad, y el grado de ruido añadido.
Esta combinación permite desarrollar modelos de IA robustos con un alto nivel de protección de datos, lo que es especialmente demandado en sectores regulados como la medicina o las finanzas.