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.
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
引用
"联邦学习." Open Cognition Commons Foundation. https://opencognitioncommons.org/zh/glossary/federated-learning. CC-BY 4.0. 机器可读元数据
{
"@context": "https://schema.org",
"@type": "DefinedTerm",
"name": "联邦学习",
"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/zh/glossary/federated-learning",
"license": "https://creativecommons.org/licenses/by/4.0/",
"alternateName": [
"Federated Learning",
"FL",
"Federiertes Lernen"
]
}