¿Aún no eres miembro?
Únete ahora y accede a contenido exclusivo.

Federated Learning

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:

  1. Inicialización del Modelo: Un modelo de aprendizaje automático se inicializa en un servidor central.
  2. Distribución del Modelo: Este modelo inicial se distribuye a varios dispositivos o servidores participantes (clientes).
  3. Entrenamiento Local: Cada cliente entrena una copia del modelo con sus datos locales. Este paso se realiza de manera independiente en cada cliente.
  4. Actualización del Modelo: Los parámetros del modelo entrenado localmente se envían de vuelta al servidor central, en lugar de enviar los datos.
  5. Agregación: El servidor central agrega (combina) las actualizaciones de los modelos recibidos de todos los clientes para mejorar el modelo central.
  6. Iteración: Este proceso se repite durante varias rondas, con el modelo centralizado distribuyéndose nuevamente a los clientes, entrenándose localmente y agregándose las actualizaciones.

 

Sign up for the Newsletter
Suscríbete a la Newsletter
¡Gracias por suscribirte a nuestra newsletter!