Algoritmo de Promediado Federado
El Promediado Federado Algorithm (FedAvg) is a técnica de aprendizaje automático designed to enable the training of models across multiple decentralized devices or servers, while ensuring that sensitive data remains on the local devices. This is particularly useful in situations where privacidad de datos es fundamental, como en aplicaciones de atención médica o dispositivos personales.
In traditional machine learning, data is collected and centralized on a single server for entrenamiento del modelo. However, this approach can raise privacy concerns and is often impractical due to data ownership issues. FedAvg addresses these challenges by allowing devices to collaboratively learn a shared prediction model while keeping their own data local.
El algoritmo opera en unos pasos clave:
- Inicialización del Modelo: Se inicializa un modelo global en un servidor o dispositivo central.
- Entrenamiento local: Each participating device downloads the current global model and trains it on its local data for a set number of epochs. During this phase, only model weights (the parameters del modelo) son actualizados, no los datos en bruto en sí.
- Peso Agregación: After local training, each device sends its updated model weights back to the central server. The server then aggregates these weights, typically by averaging them, to form a new global model.
- Iteración: This process is repeated for multiple rounds, with devices continually refining the model using their local data.
Este método no solo mejora la privacidad de los datos, sino que también reduce la necesidad de transferencias de datos a gran escala, haciéndolo más eficiente y escalable. En general, el Algoritmo de Promediado Federado es un enfoque poderoso para el aprendizaje automático descentralizado que permite el entrenamiento colaborativo de modelos mientras mantiene la confidencialidad de los datos.