Federe Öğrenme (Federated Learning)

Federe öğrenme, ham veriyi merkezileştirmeden birçok cihaz ya da kuruluş genelinde ortak bir model eğitir. Her katılımcı kendi verisi üzerinde yerel olarak eğitim yapar, koordinasyon sunucusuna yalnızca model güncellemelerini (gradyanlar ya da ağırlık farkları) gönderir; sunucu bunları — federe ortalama (federated averaging) — geliştirilmiş bir küresel modelde birleştirir ve bir sonraki tur için yeniden dağıtır. Google bunu Gboard'un sonraki kelime tahmini için öncüledi; hastaneler ve bankalar, düzenlemelerin havuzlamayı yasakladığı verilerden öğrenmek için silolar arası (cross-silo) çeşidini kullanır. Kendiliğinden gizli değildir: gradyanlar eğitim örneklerini sızdırabilir, bu yüzden ciddi kurulumlar üzerine diferansiyel gizlilik ve güvenli toplama ekler. Mühendislik zorlukları gerçektir — cihazlar devreden çıkar, veri katılımcılar arasında son derece dengesiz (non-IID) dağılır ve iletişim darboğazdır. SaaS geliştiricileri için önemi, "müşteri verisini hiç elinde tutmadan onunla eğit" sorusuna uyum dostu bir yanıt olmasıdır — özellikle sağlık, finans ve cihaz-üstü ürünlerde.