Federated Learning

Metodo di training distribuito in cui ogni dispositivo addestra il modello sui propri dati locali e invia solo gli aggiornamenti: i dati grezzi non lasciano mai il dispositivo.

Il server centrale aggrega i gradienti o i pesi dei modelli locali tramite algoritmi come FedAvg. Il vantaggio è la privacy: dati medici, bancari o del telefono rimangono sul dispositivo. Le sfide principali sono dati non-IID (ogni dispositivo ha distribuzioni diverse) e il rischio di attacchi come il model poisoning. Google lo usa in Gboard per i suggerimenti automatici, Apple per la tastiera predittiva. Spesso combinato con differential privacy per garanzie formali.