föderált tanulás (FL)

angolul: federated learning

haladóterjedő

Olyan tanítási módszer, amelyben az MI-modell sok eszközön vagy intézménynél tanul helyben, és csak a tanulságok kerülnek közös helyre, a nyers adatok nem.

Érthetően

A hagyományos gépi tanulásnál az adatokat egy helyre gyűjtik, és ott tanítják rajtuk a modellt. A föderált tanulás megfordítja ezt: nem az adat megy a modellhez, hanem a modell megy az adathoz. A telefonod, a kórház vagy a bank helyben tanítja a modell egy példányát, és csak azt küldi vissza, hogy mit változtatott rajta.

Képzeld el, hogy száz szakács közösen akar tökéletesíteni egy receptet, de egyikük sem árulja el, kiknek főz és mit esznek a vendégei. Mindenki otthon kipróbálja a receptet, majd csak annyit küld be: „kevesebb só, öt perccel tovább sütni”. A javaslatokat valaki átlagolja, és mindenki megkapja a javított receptet. A vendégkönyv végig a konyhában marad.

Ez ott hasznos, ahol az adat érzékeny, vagy jogilag nem lehet összeönteni: egészségügyi leletek, banki tranzakciók, a telefonodon begépelt üzenetek. Így olyan szereplők is tudnak közös modellt építeni, akik egymásnak soha nem adnák át az adataikat.

Hogyan működik

Egy központi szerver kiküldi a modell aktuális változatát a résztvevőknek, vagyis telefonoknak, kórházaknak, cégeknek.
Minden résztvevő a saját, helyben tárolt adatain tanítja tovább a modellt egy rövid ideig.
A résztvevők nem az adatot küldik vissza, hanem a modell módosításait, vagyis azt, hogy a belső számértékek (súlyok) merre és mennyit mozdultak.
A szerver összesíti, jellemzően átlagolja a beérkezett módosításokat, és ebből készül a modell új, közös változata.
A kör sokszor megismétlődik, amíg a modell elég jó nem lesz; a módosításokat gyakran titkosítással vagy szándékos zaj hozzáadásával is védik.

Példa a mindennapokból

A telefonod billentyűzete egyre jobban eltalálja, mit akarsz írni következőnek. Több gyártónál, például a Google Gboard billentyűzeténél ez úgy készül, hogy a készülék helyben tanul a gépelésedből, amikor éppen nem használod, töltőn van és wifire csatlakozik (jellemzően éjszaka). Csak a modell javításait küldi el, az üzeneteidet nem.

Kit érint

beteg, orvosTöbb kórház taníthat közös diagnosztikai modellt úgy, hogy a betegadatok egyik intézményt sem hagyják el. → Egészség

banki ügyfél, befektetőA bankok közösen fejleszthetnek csalásfelismerő modellt anélkül, hogy megosztanák egymással az ügyfelek tranzakcióit. → Pénz

jogász, állampolgárAz adatvédelmi megfelelést segítheti, de a GDPR alól önmagában nem mentesít, mert a modellmódosítások is hordozhatnak személyes adatot. → Jog

fejlesztőEgészen más architektúrát kíván, mint a központi tanítás: megbízhatatlan kapcsolatokkal, eltérő eszközökkel és nem látható adatokkal kell dolgoznod. → Kód

Gyakori félreértés

TévhitHa föderált tanulással készül a modell, az adataim teljes biztonságban vannak, semmi nem szivároghat ki.

ValójábanA nyers adat valóban helyben marad, de a visszaküldött módosításokból bizonyos támadásokkal vissza lehet következtetni az eredeti adatok egy részére. Ezért szokták kiegészítő védelemmel, például differenciális adatvédelemmel és biztonságos összesítéssel együtt használni.

Korlátok és kockázatok

A résztvevők adatai nagyon eltérhetnek egymástól, ami miatt a közös modell lassabban tanul, és pontatlanabb lehet, mint egy központilag tanított.
Egy rosszindulatú résztvevő szándékosan torz módosításokat küldhet, és ezzel elronthatja vagy manipulálhatja a közös modellt.
Sok kommunikációt és helyi számítási kapacitást igényel, ami gyenge eszközökön vagy lassú hálózaton szűk keresztmetszet.
Mivel senki sem látja a teljes adathalmazt, nehezebb ellenőrizni az adatok minőségét és kiszűrni a torzításokat.

Hasonló, de nem ugyanaz

elosztott tanítás – Ez a tágabb fogalom: a tanítás több gépen folyik. A hagyományos formájában az adat egyetlen gazdáé, aki szabadon szétosztja a saját szerverei között, míg a föderált tanulásnál az adat a tulajdonosánál marad.
differenciális adatvédelem – Ez matematikai módszer, amely szándékosan hozzáadott zajjal korlátozza, mennyi derülhet ki egyetlen ember adatairól; a kockázatot csökkenti, de nem szünteti meg. A föderált tanulást kiegészíti, nem helyettesíti.
eszközön futó MI – Az csak azt jelenti, hogy a kész modell a készülékeden fut, a föderált tanulás viszont arról szól, hogyan tanul a modell sok készülék adataiból.

Kapcsolódó fogalmak

Tágabb

gépi tanulás, adatvédelmet erősítő technológiák, elosztott tanítás

Szűkebb

föderált átlagolás, eszközközi föderált tanulás, intézményközi föderált tanulás

Rokon

biztonságos összesítés, differenciális adatvédelem, eszközön futó MI, peremszámítás, szintetikus adat, tanítóadat

Röviden a története

A fogalmat a Google kutatói, Brendan McMahan és társai vezették be egy 2016-ban közzétett tanulmányban, amely a föderált átlagolás módszerét is leírta. A Google 2017-ben mutatta be nyilvánosan, a Gboard billentyűzet példáján.

Hol tart most

A mobiltelefonokon a háttérben már tömegesen működik, például billentyűzeteknél és hangfelismerésnél. Az egészségügyben és a pénzügyi szektorban egyre több az éles alkalmazás, de sok projekt még kísérleti.

Állapot: 2026. november

Más nevei

föderált tanulás · federált tanulás · föderatív tanulás · összevont tanulás · federated learning · FL · collaborative learning · federated machine learning

Források

A szócikk gépi szerkesztéssel készült és gépi szakmai lektoráláson ment át; a „hírekben” rész az Agent Age sztorijaiból automatikusan frissül.