Федеративное обучение

Федеративное обучение тренирует общую модель на множестве устройств или организаций без централизации сырых данных. Каждый участник обучается локально на своих данных и отправляет координирующему серверу только обновления модели (градиенты или дельты весов); сервер усредняет их — федеративное усреднение — в улучшенную глобальную модель, которая рассылается на следующий раунд. Google первым применил подход для предсказания следующего слова в Gboard; больницы и банки используют кросс-силосный вариант, чтобы учиться на данных, которые регуляторика запрещает объединять. Приватность не автоматична: градиенты могут утекать обучающими примерами, поэтому серьёзные внедрения добавляют дифференциальную приватность и защищённую агрегацию. Инженерные трудности реальны: устройства отваливаются, данные у участников крайне неоднородны (non-IID), а узкое место — связь. Для SaaS-команд это дружественный к комплаенсу ответ на задачу «обучаться на данных клиентов, никогда ими не владея», особенно в медицине, финансах и on-device-продуктах.