Federated Learning

Federated Learning im Detail

In einer typischen Variante erhalten Teilnehmer einen Modellstand, trainieren lokal und übermitteln Updates. Diese werden zusammengeführt und in weiteren Runden erneut verteilt. McMahan und Mitautoren beschreiben dieses Vorgehen in ihrer Originalarbeit von 2017. Die untersuchten Ergebnisse gelten für die dortigen Versuchsbedingungen und sind kein allgemeines Versprechen für schnellere oder günstigere Marketinganwendungen.

Federated Learning ist nicht dasselbe wie ein Modell lediglich auf einem Gerät auszuführen. Es betrifft die Zusammenarbeit beim Lernen. Ob der fertige Dienst später lokal oder zentral arbeitet, ist eine zusätzliche Architekturentscheidung. Auch ein gemeinsames Modell erkennt nicht automatisch die Absicht eines einzelnen Kunden. Trainingsziel, Datenbedeutung und Einsatzkontext müssen zusammenpassen.

Die Originalarbeit benennt Datenschutzgrenzen der Updates. Ergänzende Verfahren wie sichere Aggregation oder Differential Privacy können je nach Einrichtung bestimmte Risiken reduzieren; sie sind nicht automatisch enthalten. Prüft außerdem unzuverlässige Teilnehmer, unterschiedliche Datenverteilungen und fehlerhafte Beiträge. Viele beteiligte Geräte bedeuten weder repräsentative Daten noch gleich gute Ergebnisse für alle Gruppen.

Creative Engineering beginnt mit der Frage, ob gemeinsames Lernen eine konkrete Aufgabe besser lösen kann als eine einfachere Alternative. Die Verantwortung für Konzept und Qualität liegt bei uns. Vergleicht die fachliche Modellleistung und den gesamten Aufwand einschließlich Kommunikation, lokaler Rechenarbeit, Schutzmaßnahmen und Betrieb. Daten bleiben nicht schon deshalb frei nutzbar, weil sie ihren Speicherort beim Training nicht verlassen.