Федеративное мета-обучение сочетает принципы федеративного обучения и мета-обучения для обучения моделей, которые быстро адаптируются к новым задачам на распределённых клиентах.
В федеративном обучении локальные модели обучаются на устройствах без централизации данных, чтобы обеспечить конфиденциальность.
Мета-обучение, напротив, сосредоточено на изучении алгоритмов обучения или инициализаций, которые позволяют быстро адаптироваться к новым задачам.
Комбинируя эти подходы, системы учатся создавать общую базу знаний из гетерогенных данных многих клиентов, которая эффективно переносится на новые локальные задачи.
Типичные алгоритмы используют методы, такие как Model-Agnostic Meta-Learning (MAML), в федеративной среде.