Mi az a federated learning és milyen aggregációs modellek (FedAvg) léteznek?

A federated tanulás egy megközelítés a gépi tanulási modellek tanítására, amely során az adatok helyben maradnak a felhasználók eszközein, és a tanulás elosztott módon történik. A modellt minden kliens helyi adataira alapozva tanítják, majd a paraméterfrissítéseket egy központi szerverre küldik az aggregálás érdekében, ez növeli az adatok magánéletét és biztonságát.

Egy népszerű aggregációs modell a FedAvg (Federated Averaging). Ebben a szerver összegyűjti a kliensektől a modellek súlyfrissítéseit, és azok átlagát számolja a helyi adatok méretének figyelembevételével, így egy frissített globális modellt hozva létre. Ez a folyamat ismétlődik.

A FedAvg lehetővé teszi hatékony modellek tanítását anélkül, hogy az eredeti adatokat át kellene adni, csökkentve az adatszivárgás kockázatát. Ugyanakkor kihívásokkal szembesül az adatok heterogenitása, aszinkronitás és lehetséges támadások miatt, ami további biztonsági és robusztussági mechanizmusokat igényel.