El meta-aprendizaje federado combina los principios del aprendizaje federado con el meta-aprendizaje para entrenar modelos que se adaptan rápidamente a nuevas tareas en clientes distribuidos.
En el aprendizaje federado, los modelos locales se entrenan en los dispositivos sin centralizar los datos, para garantizar la privacidad.
El meta-aprendizaje, en cambio, se centra en aprender algoritmos de aprendizaje o inicializaciones que permiten una rápida adaptación a nuevas tareas.
Mediante la combinación, los sistemas aprenden a construir una base común de conocimiento a partir de los datos heterogéneos de muchos clientes, que puede transferirse eficientemente a nuevas tareas locales.
Los algoritmos típicos utilizan métodos como el Meta-Aprendizaje Agnóstico al Modelo (MAML) en un entorno federado.