Федеративное обучение

Федеративное обучение (Federated Learning, FL) — парадигма машинного обучения, в которой тренировка модели происходит непосредственно на устройствах или серверах участников (клиентах), а не на едином централизованном датасете. Центральный координатор агрегирует не сами данные, а только обновления весов или градиенты, полученные от каждого клиента.

В типовой схеме процесс состоит из повторяющихся раундов: (1) координатор рассылает текущие веса глобальной модели всем участникам; (2) каждый клиент локально обучает модель на своих данных и вычисляет обновление; (3) обновления передаются на сервер и агрегируются — как правило, с помощью алгоритма FedAvg (Federated Averaging), предложенного Google в 2017 году; (4) обновлённая глобальная модель снова рассылается клиентам для следующего раунда. Дополнительная защита обеспечивается дифференциальной приватностью и протоколами защищённой агрегации (secure aggregation).

Ключевое преимущество — данные физически не покидают устройство владельца, что критично для медицинских записей, банковских транзакций и личной переписки. Это соответствует требованиям GDPR в ЕС и аналогичных законов о локализации данных. Основные нерешённые проблемы — высокие коммуникационные затраты при большом числе клиентов, неоднородность данных на разных устройствах и уязвимость к атакам отравления данных со стороны недобросовестных участников.

К 2026 году федеративное обучение применяется в Google Gboard (предиктивный ввод на Android), Apple (улучшение Siri и QuickType без передачи текстов на серверы), а также в медицинских консорциумах — в частности, проект MELLODDY объединил десять фармацевтических компаний для совместного обучения моделей предсказания свойств молекул без раскрытия проприетарных химических данных конкурентам.

Пример

“Банк обучает модель обнаружения мошенничества совместно с партнёрскими банками: каждый участник локально обновляет модель на своих транзакциях и передаёт только обновления весов на общий сервер, не раскрывая данные своих клиентов конкурентам.