Federated Learning: Definition & Erklärung — Glossar

Was ist Federated Learning?

Federated Learning (föderiertes Lernen) ist ein maschinelles Lernverfahren, bei dem ein KI-Modell auf verteilten Datensätzen trainiert wird, ohne dass die Rohdaten jemals einen lokalen Gerät oder Server verlassen. Stattdessen werden nur die Modell-Updates (Gradienten) an einen zentralen Server übermittelt, der sie aggregiert und das globale Modell verbessert.

Wie funktioniert es?

Der Ablauf: (1) Ein globales Modell wird an alle Teilnehmer (Clients) verteilt. (2) Jeder Client trainiert das Modell lokal auf seinen eigenen Daten. (3) Nur die Modell-Updates werden an den zentralen Server gesendet. (4) Der Server aggregiert die Updates (z. B. durch Federated Averaging) und verteilt das verbesserte Modell. Dieser Zyklus wiederholt sich über viele Runden.

Datenschutz und Compliance

Federated Learning ist besonders relevant in Bereichen mit sensiblen Daten: Gesundheitswesen (Patientendaten bleiben im Krankenhaus), Finanzsektor (Transaktionsdaten bleiben bei der Bank) und Industrie (Produktionsdaten bleiben im Werk). Da Rohdaten nie übertragen werden, reduziert es DSGVO-Risiken erheblich. Ergänzende Techniken wie Differential Privacy oder Secure Aggregation erhöhen den Schutz zusätzlich.

Herausforderungen

Herausforderungen sind die heterogene Datenverteilung bei den Clients (Non-IID-Problem), hohe Kommunikationskosten bei vielen Runden, die Möglichkeit von Model-Poisoning-Angriffen durch böswillige Clients und der höhere Implementierungsaufwand gegenüber zentralem Training. Frameworks wie TensorFlow Federated oder PySyft erleichtern die praktische Umsetzung.