Aprendizaje federado
Entrenar sin centralizar los datos
Los datos se quedan en el dispositivo; sólo viajan gradientes o pesos. FedAvg agrega modelos locales en un servidor.
Intuición
Cada cliente entrena en privado y envía su modelo. El servidor promedia (FedAvg) y redistribuye.
El no-IID duele: clientes con datos distintos divergen.
El laboratorio muestra clientes, agregación y precisión global.
Mecanismo
FedAvg: heta leftarrow sum_k rac{n_k}{n} heta_k.
Variantes: FedProx, SCAFFOLD, secure aggregation, DP.
Desafíos: sistemas (stragglers), estadística (heterogeneidad), privacidad.
Laboratorio
FedAvg con clientes heterogéneos
Varios clientes entrenan en particiones; el servidor promedia. Compara IID vs no-IID y mira la precisión global.
Historia
- 2016
Google propone federated learning.
McMahan et al. (2017), AISTATS
- 2017
FedAvg en teclados móviles.
Hard et al., Google
- 2020
FedProx y SCAFFOLD atacan la heterogeneidad.
Li et al.; Karimireddy et al.
- 2023
Federación en LLMs y hospitales.
aplicaciones
Límites
No-IID degrada la convergencia.
Comunicación cara en redes débiles.
Privacidad no es automática: hace falta DP o secure agg.
¿Quién posee el modelo si nadie posee los datos?
La federación redistribuye poder —y crea nuevos puntos de fallo en el servidor.
¿Es privacidad real o sólo un desplazamiento del riesgo?