El aprendizaje federado (Federated Learning, en inglés) es una técnica de entrenamiento de modelos de aprendizaje automático en la que el modelo se entrena de manera distribuida en múltiples dispositivos o servidores que contienen datos locales, sin necesidad de centralizar estos datos. Esta técnica es particularmente útil para preservar la privacidad y la seguridad de los datos, ya que los datos sensibles no se mueven de sus ubicaciones originales.
Los pasos principales en el proceso de aprendizaje federado son:
- Inicialización del Modelo: Un modelo de aprendizaje automático se inicializa en un servidor central.
- Distribución del Modelo: Este modelo inicial se distribuye a varios dispositivos o servidores participantes (clientes).
- Entrenamiento Local: Cada cliente entrena una copia del modelo con sus datos locales. Este paso se realiza de manera independiente en cada cliente.
- Actualización del Modelo: Los parámetros del modelo entrenado localmente se envían de vuelta al servidor central, en lugar de enviar los datos.
- Agregación: El servidor central agrega (combina) las actualizaciones de los modelos recibidos de todos los clientes para mejorar el modelo central.
- Iteración: Este proceso se repite durante varias rondas, con el modelo centralizado distribuyéndose nuevamente a los clientes, entrenándose localmente y agregándose las actualizaciones.