🟢 Plain Language

Federated Learning bedeutet: 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. Das ist wichtig, weil KI-Systeme heute überall eingesetzt werden und Regeln brauchen, damit sie sicher und fair funktionieren.

🔵 Expert Level

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. [IIO Framework] Federated Learning: ML-Ansatz bei dem Modelle lokal auf Geräten trainiert werden und nur Modell-Updates (nicht Rohdaten) geteilt werden. Privacy-preserving by design. [EC Ethics Guidelines] several approaches and techniques, such as machine learning (of which deep learning and reinforcement learning are specific examples), machine reasoning (which includes planning, scheduling, knowledge representation and reasoning, search, and optimization), and robotics (which includes control, perc [IIO Layers] IIO Hr Domain: contains 16 layers. Key layers: layer-benefits-compensation, layer-benefits-tracker, layer-compensation-benchmarking, layer-development, layer-growth-throttle, layer-hr, layer-hr-analytics, layer-learning-development.... All layers in this domain share: HITL gates for external actions

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

Citation

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

Machine-readable metadata

{
  "@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"
  ]
}