Le Federated Transfer Learning combine deux concepts importants : le Federated Learning et le Transfer Learning.
Le Federated Learning permet d'entraîner conjointement des modèles sur des sources de données distribuées, sans centraliser les données.
Le Transfer Learning utilise des connaissances acquises dans un domaine ou une tâche pour mieux résoudre une autre tâche similaire.
Dans le Federated Transfer Learning, les modèles ou caractéristiques des sources de données locales sont transférés et agrégés pour améliorer la performance d'apprentissage, même si les formats de données ou les domaines sont différents.
Cette méthode est particulièrement utile lorsque les données sont distribuées de manière hétérogène et que le partage direct des données n'est pas possible.
Les applications typiques se trouvent en médecine, dans les données financières ou dans les environnements IoT.