संघीय अधिगम
एक गोपनीयता-संरक्षित मशीन लर्निंग परंपरा जो केंद्रीकृत डेटा के बिना सहयोगात्मक मॉडल ट्रेनिंग की अनुमति देती है।
परिभाषा
फेडरेटेड लर्निंग एक अपकेंद्रित मशीन लर्निंग तकनीक है जहां कई ग्राहक (जैसे उपकरण, सर्वर या संगठन) अपने डेटा को स्थानीय रूप से संग्रहीत रखते हुए एक साझा मॉडल के साथ संयुक्त रूप से ट्रेनिंग करते हैं। कच्चे डेटासेट को एक केंद्रीय सर्वर पर स्थानांतरित करने के बजाय, प्रत्येक सहभागी अपने डेटा पर मॉडल को ट्रेन करता है और केवल मॉडल अपडेट - जैसे ग्रेडिएंट या पैरामीटर - एग्रीगेशन के लिए भेजता है। इस प्रक्रिया से एक वैश्विक मॉडल बनता है जो संवेदनशील जानकारी के बिना विविध डेटा स्रोतों से लाभ उठाता है। इसका उपयोग ऐसे मामलों में व्यापक रूप से किया जाता है जहां डेटा गोपनीयता, नियामक सुसंगतता या वितरित डेटा स्वामित्व क्रीमियल होते हैं।
गुण
- कच्चा डेटा कभी भी स्थानीय वातावरण से बाहर नहीं जाता है, इसलिए डेटा गोपनीयता में सुधार होता है
- डेटा अपराधों के जोखिम को कम करता है और नियमों के साथ सुसंगतता का समर्थन करता है
- अधिक विश्वसनीय और सामान्य बनाने वाले मॉडल के लिए विविध, वास्तविक डेटासेट का उपयोग करता है
- वितरित प्रणालियों में डेटा स्थानांतरण लागत और बैंडविड्थ के उपयोग को कम करता है
- एज कंप्यूटिंग और डिवाइस पर एआई डेप्लॉयमेंट के साथ अच्छी तरह से मेल खाता है
दोष
- कई वितरित नोड्स के बीच समन्वय की आवश्यकता वाले जटिल प्रणाली डिज़ाइन
- असमान या गैर-स्वतंत्र डेटा वितरण के कारण प्रदर्शन प्रभावित हो सकता है
- आमतौर पर मॉडल अपडेट विनिमय के दौरान संचार ओवरहेड
- मॉडल पॉइजनिंग जैसे दुर्भावनापूर्ण हमलों के प्रति लचीला होता है
- केंद्रीकृत ट्रेनिंग प्रणालियों की तुलना में डिबग और मॉनिटरिंग कठिन होती है
उपयोग केस
- उपयोगकर्ता गतिविधि के बिना वितरित व्यवहार डेटा के उपयोग से CAPTCHA हल करने या बॉट निर्धारण मॉडल के ट्रेनिंग
- गोपनीयता के बरकरार रखते हुए उपयोगकर्ता इनपुट से सीखने वाले मोबाइल कीबोर्ड पूर्वानुमान प्रणाली
- रोगी रिकॉर्ड साझा किए बिना अस्पतालों में चलाए जाने वाले स्वास्थ्य एआई मॉडल
- अंतर्निहित डेटा के बिना संगठनों के बीच सहयोग करने वाले वित्त में धोखाधड़ी निर्धारण प्रणाली
- वितरित संकेतों के उपयोग से एंटी-बॉट मेकैनिज़म में अनुकूलित होने वाली वेब स्क्रैपिंग और स्वचालन प्रणाली