Federated Learning ist eine von Forschern bei Google, Inc. entwickelte Technik des maschinellen Lernens. Das Konzept und sein Kernalgorithmus wurden in zugehörigen Beiträgen auf der International Conference on Artificial Intelligence and Statistics (AISTATS 2017) 2017 formell veröffentlicht. Kommunikationseffizientes Lernen tiefer neuronaler Netze aus dezentralen Daten.

Federated Learning ist eine datenschutzfreundliche Methode des verteilten maschinellen Lernens. Ihr Kernprinzip besteht darin, die ursprünglichen Trainingsdaten stets lokal auf dem Gerät zu speichern und niemals auf einen zentralen Server hochzuladen. Stattdessen wird ein gemeinsames globales Modell trainiert, indem lokal berechnete Modellaktualisierungsparameter aggregiert werden. Dadurch werden Datenschutzverletzungen und Sicherheitsrisiken deutlich reduziert. Um dieses Ziel zu erreichen, entwickelte das Forschungsteam den Federated Averaging (FedAvg)-Algorithmus. Experimente haben gezeigt, dass dieser Algorithmus nicht nur die für mobile Geräte typischen unausgewogenen und nicht-unabhängigen identisch verteilten (non-IID) Daten stabil verarbeiten kann, sondern auch die Anzahl der für das Training tiefer neuronaler Netze erforderlichen Kommunikationsrunden um das 10- bis 100-Fache reduziert. Dadurch werden die Kommunikationskostenbeschränkungen in realen Anwendungen erheblich überwunden.