Wie funktioniert Federated Learning?

Zentraler Server (Koordination)
    ↓ Globales Modell verteilen
    
Gerät A  +  Gerät B  +  Gerät C
(lokale  )  (lokale  )  (lokale  )
(Daten   )  (Daten   )  (Daten   )
    ↓            ↓           ↓
Lokales Training  (Daten verlassen Gerät NICHT)
    ↓            ↓           ↓
Gradienten/Updates → Zentraler Server
    ↓
Globales Modell aggregieren (FedAvg)
    ↓
Nächste Runde...

Privacy-Vorteile

Aspekt	Klassisches Training	Federated Learning
Datenspeicherung	Zentral	Dezentral (lokal)
Datentransfer	Rohdaten → Server	Nur Modell-Updates
DSGVO Art. 25	Erfordert Maßnahmen	Privacy by Design
Sensible Daten	Risiko bei Zentralisierung	Bleiben lokal

Typische Anwendungen

Mobile Keyboard-Verbesserung (Google Gboard) — ohne Tippverläufe zu senden
Medizinische KI — Krankenhäuser teilen Modelle, nicht Patientendaten
Finanzielle Betrugserkennung — Banken kooperieren ohne Transaktionsdaten
Autonomes Fahren — Fahrzeuge verbessern Modell gemeinsam

Grenzen von Federated Learning

Kommunikationsaufwand — viele Update-Runden nötig
Non-IID Daten — Geräte haben unterschiedliche Datenverteilungen
Modell-Inverses — aus Updates können Rückschlüsse auf Daten gezogen werden
Skalierung — komplex bei vielen Teilnehmern

Differential Privacy Kombination

Federated Learning + Differential Privacy = stärkste Privatsphäregarantie:

FL verhindert Datenzentralisierung
DP fügt mathematischen Rausch hinzu → Rekonstruktion unmöglich

Ein Modell wird an verschiedenen Orten trainiert, wo die Daten liegen — die Daten bleiben nie zusammengefasst.

승인됨

생성 방식: scripts/generate-glossary-register-variants.py (qwen2.5:7b (lokal via Ollama, kein Cloud-Fallback))
생성일: 2026-09-21T00:11:29.079655+00:00
기준: 쉬운 언어 ~B1 — 독일 쉬운 읽기 표준 DIN SPEC 33429 아님
검토자: zolo · 2026-09-21T00:30:10.463422+00:00

Federated Learning ermöglicht das Training von Machine-Learning-Modellen an dezentral verstreuten Daten, ohne dass diese Daten zentrale Plattformen erreichen. Dies schützt die Datenschutzinteressen der Nutzer und reduziert den Bandbreitenaufwand, da nur die Modellgewichte übertragen werden, nicht jedoch die ursprünglichen Daten.

승인됨

생성 방식: scripts/generate-glossary-register-variants.py (qwen2.5:7b (lokal via Ollama, kein Cloud-Fallback))
생성일: 2026-09-21T00:11:29.079655+00:00
기준: 쉬운 언어 ~B1 — 독일 쉬운 읽기 표준 DIN SPEC 33429 아님
검토자: zolo · 2026-09-21T00:30:10.463422+00:00

참조

"페더레이티드 러닝." Open Cognition Commons Foundation. https://opencognitioncommons.org/ko/glossary/federated-learning. CC-BY 4.0.

기계로 읽을 수 있는 메타데이터

{
  "@context": "https://schema.org",
  "@type": "DefinedTerm",
  "name": "페더레이티드 러닝",
  "description": "Federated Learning ist ein verteilter ML-Ansatz, bei dem ein Modell auf Daten trainiert wird die dezentral auf Geräten oder Servern liegen — ohne dass die Rohdaten jemals zentralisiert werden.\n",
  "url": "https://opencognitioncommons.org/ko/glossary/federated-learning",
  "license": "https://creativecommons.org/licenses/by/4.0/",
  "alternateName": [
    "Federated Learning",
    "FL",
    "Federiertes Lernen"
  ]
}