Federated Learning und Distributed Learning

Federated Learning (FL) und Distributed Learning (DL) sind Ansätze im Bereich des maschinellen Lernens, bei denen das Training von Modellen auf verteilten Geräten oder Systemen stattfindet, ohne dass die Rohdaten zentralisiert werden müssen. Beim Federated Learning werden Modelle auf dezentralen Geräten mit lokalen Daten trainiert und nur die aktualisierten Modellgewichte an einen zentralen Server gesendet. Dadurch bleibt die Vertraulichkeit der Daten gewahrt. Beim verteilten Lernen werden Daten und Berechnungen auf mehrere Systeme oder Knoten verteilt, um das Training auf mehreren parallelen Prozessoren oder Computern durchzuführen. Beide Ansätze ermöglichen Skalierbarkeit, verbessern die Effizienz des Trainingsprozesses und unterstützen den Schutz der Privatsphäre und die Sicherheit sensibler Daten.