L'apprentissage méta-fédéré combine les principes de l'apprentissage fédéré avec le méta-apprentissage pour entraîner des modèles qui s'adaptent rapidement à de nouvelles tâches sur des clients distribués.
Dans l'apprentissage fédéré, les modèles locaux sont entraînés sur les appareils sans que les données ne soient centralisées, afin de garantir la confidentialité.
Le méta-apprentissage, quant à lui, se concentre sur l'apprentissage d'algorithmes d'apprentissage ou d'initialisations permettant une adaptation rapide à de nouvelles tâches.
En combinant les deux, les systèmes apprennent à construire une base de connaissances commune à partir des données hétérogènes de nombreux clients, qui peut être efficacement transférée à de nouvelles tâches locales.
Les algorithmes typiques utilisent des méthodes telles que le Model-Agnostic Meta-Learning (MAML) dans un cadre fédéré.