Federated Transfer Learning combina dos conceptos importantes: Federated Learning y Transfer Learning.
Federated Learning permite entrenar modelos conjuntamente en fuentes de datos distribuidas, sin centralizar los datos.
Transfer Learning utiliza el conocimiento aprendido de un área o tarea para resolver mejor otra tarea similar.
En Federated Transfer Learning, se transfieren y agregan modelos o características de fuentes de datos locales para mejorar el rendimiento del aprendizaje, incluso cuando los formatos de datos o dominios son diferentes.
Este método es especialmente útil cuando los datos están distribuidos de forma heterogénea y no es posible compartir datos directamente.
Las aplicaciones típicas se encuentran en medicina, datos financieros o entornos IoT.