Federated Meta-Learning kombiniert die Prinzipien des föderierten Lernens mit Meta-Learning, um Modelle zu trainieren, die sich schnell an neue Aufgaben auf verteilten Clients anpassen lassen.
Im föderierten Lernen werden lokale Modelle auf den Geräten trainiert, ohne dass die Daten zentralisiert werden, um Datenschutz zu gewährleisten.
Meta-Learning hingegen fokussiert sich auf das Lernen von Lernalgorithmen oder Initialisierungen, die eine schnelle Anpassung an neue Aufgaben ermöglichen.
Durch die Kombination lernen die Systeme, aus den heterogenen Daten vieler Clients eine gemeinsame Wissensbasis aufzubauen, die auf neue lokale Aufgaben effizient übertragen werden kann.
Typische Algorithmen verwenden dabei Methoden wie Model-Agnostic Meta-Learning (MAML) in einem föderierten Setting.