Was bedeutet Federated Learning?

Federated Learning bezeichnet ein Trainingsverfahren, bei dem mehrere Organisationen gemeinsam ein Modell verbessern, ohne ihre eigenen Rohdaten herauszugeben. Trainiert wird jeweils lokal im eigenen Haus, ausgetauscht werden allein die veränderten Modellparameter. Anders als beim zentralen Training entsteht dabei an keiner Stelle des Ablaufs eine gemeinsame Sammlung der Daten, weder beim Server noch bei den Beteiligten.

Ein Server verteilt zunächst ein Ausgangsmodell an alle Beteiligten. Jede Organisation trainiert es einige Runden auf ihren eigenen Daten und schickt nur die veränderten Gewichte zurück. Der Server mittelt diese Beiträge, gewichtet nach Datenmenge, und verteilt das aktualisierte Modell erneut. Weil sich aus Gewichten Rückschlüsse auf die Trainingsdaten ziehen lassen, ergänzen Verfahren wie Differential Privacy oder eine verschlüsselte Aggregation den Ablauf.

Federated Learning lohnt sich dort, wo mehrere Organisationen dieselbe Fragestellung haben, ihre Daten aber aus rechtlichen Gründen nicht zusammenlegen dürfen. Beispiele sind medizinische Auswertungen über mehrere Kliniken hinweg, die Betrugserkennung mehrerer Banken und die Modellverbesserung auf Endgeräten. Liegen alle Daten ohnehin in einer Hand, bleibt das zentrale Training einfacher und günstiger.

Der Vorteil gegenüber einem gemeinsamen Datenpool liegt darin, dass jede Organisation die Hoheit über ihre Daten behält. Damit entfällt der aufwendigste Teil der Abstimmung, nämlich die rechtliche Klärung einer Übermittlung. Das gemeinsame Modell erreicht dennoch eine Datenbasis, die keine der Beteiligten allein aufbringen könnte.

Was beim gemeinsamen Datenpool die Rechtsabteilung leistet, leistet beim Federated Learning der abgestimmte Betrieb. Alle Beteiligten brauchen dafür vergleichbare Datenstrukturen, gepflegte Technik vor Ort und einen verbindlich geregelten Trainingsplan. Und weil der Server die Beiträge zusammenführt, muss vorher geklärt sein, wer ihn betreibt.