Föderiertes Lernen: Bringt die Algorithmen zu den Daten statt die Daten zu den Algorithmen
In: Anonymisierung und Pseudonymisierung von Daten für Projekte des maschinellen Lernens. Eine Handreichung für Unternehmen.
Ähnlich wie in der Politik ist der föderale Ansatz das Gegenstück zum Zentralismus. Beim föderierten Lernen müssen keine Rohdaten zu zentral laufenden Algorithmen bewegt werden, sondern die Algorithmen laufen in der Umgebung der Rohdaten. Dies erleichtert das Einhalten von Datenschutzanforderungen erheblich ohne die Effizienz des maschinellen Lernens zu beeinträchtigen.
Lesen Sie den kompletten Beitrag hier.