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.

承認済み

生成元: scripts/generate-glossary-register-variants.py (qwen2.5:7b (lokal via Ollama, kein Cloud-Fallback))
生成日: 2026-09-21T00:11:29.079655+00:00
基準: やさしい言葉 ~B1 — ドイツの易読規格DIN SPEC 33429ではありません
レビュー担当: 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.

承認済み

生成元: scripts/generate-glossary-register-variants.py (qwen2.5:7b (lokal via Ollama, kein Cloud-Fallback))
生成日: 2026-09-21T00:11:29.079655+00:00
基準: やさしい言葉 ~B1 — ドイツの易読規格DIN SPEC 33429ではありません
レビュー担当: zolo · 2026-09-21T00:30:10.463422+00:00

引用

"連携学習." Open Cognition Commons Foundation. https://opencognitioncommons.org/ja/glossary/federated-learning. CC-BY 4.0.

機械可読メタデータ

{
  "@context": "https://schema.org",
  "@type": "DefinedTerm",
  "name": "連携学習",
  "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/ja/glossary/federated-learning",
  "license": "https://creativecommons.org/licenses/by/4.0/",
  "alternateName": [
    "Federated Learning",
    "FL",
    "Federiertes Lernen"
  ]
}