Aprendizaje Federado y Privacidad

El Aprendizaje Federado (Federated Learning) es un paradigma de aprendizaje distribuido que surge de la creciente preocupación por la privacidad de los datos y el incesante aumento del número de dispositivos electrónicos conectados a Internet. De forma esquemática, consiste en muchos clientes que entrenan un modelo de aprendizaje de forma colaborativa bajo la organización de un servidor central. A pesar de ser un proceso orquestado por un servidor central, los datos de entrenamiento jamás abandonan los dispositivos de los clientes, siendo esta la principal diferencia con el aprendizaje distribuido clásico y aumentando así la privacidad de los mismos.

Aunque los datos de entrenamiento no sean compartidos, los clientes comparten sus modelos entrenados. Existen diferentes mecanismos de obtención de datos a partir de los parámetros de tales modelos. En este contexto, y por asegurar una privacidad mayor, surge la aplicación de mecanismos de Privacidad Diferencial (Differential Privacy) en combinación con Aprendizaje Federado.

Son muchos los problemas abiertos y los retos dentro de este área de investigación, destacar: ataques adversarios y mecanismos de defensa, adaptación de modelos clásicos de Machine Learning y personalización, entre otros.

Contacto: María Victoria Luzón García

Investigadores relacionados:

Letra:

  Nombre Email Área Cat.
Herrera Triguero, Francisco herrera@decs6l0m8zgKai.ugr.es Aplicaciones Tecnológicas DaSCI, Ciencia de Datos y Big Data DaSCI, Inteligencia Computacional DaSCI Doctor
Luzón García, María Victoria luzondjrz0h9A@ugr.es Aplicaciones Tecnológicas DaSCI Doctor
Martínez Cámara, Eugenio emcamaraeEG18pW1Z@decsai.ugr.es Aplicaciones Tecnológicas DaSCI Doctor - Juan de la Cierva
Peregrin Rubio, Antonio peregrinOLzubWNZah@dti.uhu.es Inteligencia Computacional DaSCI Doctor
Scroll Up