L'apprentissage fédéré est une technique d'apprentissage automatique proposée par des chercheurs de Google, Inc. Le concept et son algorithme de base ont été officiellement publiés lors de la Conférence internationale sur l'intelligence artificielle et les statistiques (AISTATS 2017), dans des articles connexes. Apprentissage efficace en termes de communication des réseaux profonds à partir de données décentralisées.

L'apprentissage fédéré est une méthode d'apprentissage automatique distribuée qui préserve la confidentialité. Son principe fondamental est de conserver les données d'entraînement originales sur l'appareil local et de ne jamais les transférer vers un serveur central. Au lieu de cela, il entraîne collaborativement un modèle global partagé en agrégeant les paramètres de mise à jour du modèle calculés localement, réduisant ainsi considérablement les fuites de données et les risques de sécurité. Pour atteindre cet objectif, l'équipe de recherche a proposé l'algorithme FedAvg (Federated Averaging). Les expériences ont montré que cet algorithme peut non seulement gérer de manière stable les données déséquilibrées et non indépendantes (non-IID) propres aux appareils mobiles, mais aussi réduire considérablement le nombre d'itérations de communication nécessaires à l'entraînement des réseaux profonds (de 10 à 100 fois), surmontant ainsi les limitations liées au coût de communication dans les applications réelles.