[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"glossary-federated-learning::ru":3,"gloss-cluster-federated-learning::ru":23,"gloss-next-federated-learning::ru":9},{"slug":4,"category":5,"name":6,"definition":7,"meta_desc":8,"faq":9,"schema_markup":9,"related":10},"federated-learning","core-ai","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.","Федеративное обучение тренирует одну модель на многих устройствах и организациях, передавая обновления весов вместо сырых данных.",null,[11,14,17,20],{"slug":12,"name":13},"differential-privacy","Дифференциальная приватность (Differential Privacy)",{"slug":15,"name":16},"fine-tuning","Дообучение (Fine-Tuning)",{"slug":18,"name":19},"machine-learning","Машинное обучение (ML)",{"slug":21,"name":22},"pii","Персональные данные (PII)",[24,28,32,36,39,42,45,48,51,54,57,60],{"slug":25,"category":5,"name":26,"updated_at":27},"agentic","Агентный AI (Agentic AI)","2026-08-24T02:46:36+00:00",{"slug":29,"category":5,"name":30,"updated_at":31},"alignment-tax","Налог на выравнивание (Alignment Tax)","2026-08-24T02:46:37+00:00",{"slug":33,"category":5,"name":34,"updated_at":35},"artificial-intelligence","Искусственный интеллект (ИИ)","2026-08-24T02:46:38+00:00",{"slug":37,"category":5,"name":38,"updated_at":27},"attention","Внимание (Attention)",{"slug":40,"category":5,"name":41,"updated_at":35},"beam-search","Лучевой поиск",{"slug":43,"category":5,"name":44,"updated_at":31},"benchmark-contamination","Загрязнение бенчмарка (Benchmark Contamination)",{"slug":46,"category":5,"name":47,"updated_at":31},"catastrophic-forgetting","Катастрофическое забывание (Catastrophic Forgetting)",{"slug":49,"category":5,"name":50,"updated_at":35},"computer-vision","Компьютерное зрение",{"slug":52,"category":5,"name":53,"updated_at":31},"constitutional-ai","Конституционный ИИ (Constitutional AI)",{"slug":55,"category":5,"name":56,"updated_at":27},"context-window","Контекстное окно",{"slug":58,"category":5,"name":59,"updated_at":35},"deep-learning","Глубокое обучение",{"slug":61,"category":5,"name":62,"updated_at":27},"diffusion-model","Диффузионная модель (Diffusion Model)"]