Ali se model lahko uči brez zbiranja vseh podatkov?

Kaj je to?

Pri federativnem učenju se model uči na več napravah ali v več organizacijah, ne da bi vse surove podatke zbrali na enem mestu. Vsaka naprava pošlje le popravke modela, ki se nato združijo. Tako podatki lahko ostanejo bliže lastniku.

Primer iz vsakdanjega življenja

Tipkovnica na telefonu se uči, katere besede pogosto uporabljate, in v skupni model pošlje le povzetek popravkov, ne vaših sporočil.

Zakaj je pomembno?

Omogoča sodelovanje bolnišnic, bank ali naprav, ki podatkov ne smejo ali ne želijo deliti, in zmanjša tveganje velikih zbirk osebnih podatkov.

Pogosta zmota

Da federativno učenje samo po sebi zagotavlja zasebnost. Iz popravkov modela je včasih mogoče razbrati podatke, zato potrebuje dodatno zaščito.

Podrobneje

Kako poteka?

Naprave lokalno izvedejo del učenja in pošljejo posodobitve v skupni postopek.

Ali to zagotovi zasebnost?

Ne samodejno. Posodobitve lahko razkrivajo informacije; potrebni so dodatni ukrepi.

Kdaj je uporabno?

Ko podatkov zaradi zasebnosti ali logistike ni smiselno hraniti na enem mestu.

Kaj je slabost?

Različne naprave, počasne povezave in neenaki podatki otežijo usklajeno učenje.

Zapomnite si: Podatki lahko ostanejo lokalno, tveganja pa ne izginejo.