Federatyvinis mokymasis (angl. Federated Learning, FL) tapo vienu iš svarbiausių mašininio mokymosi paradigmų, leidžiančių kurti dirbtinio intelekto modelius decentralizuotai. Šis metodas suteikia galimybę įvairiems įrenginiams ar organizacijoms bendrai treniruoti modelius, neperkeliant jautrių pirminių duomenų iš jų saugojimo vietos.

Kur čia nauda

Pagrindinis federatyvinio mokymosi privalumas – duomenų privatumas ir tinklo mastelio didinimas. Kadangi duomenys niekada nepalieka savo pirminės aplinkos, sumažėja duomenų nutekėjimo rizika. Ši technologija vis plačiau taikoma agentinio dirbtinio intelekto, finansų, mobiliųjų programėlių, sveikatos apsaugos, autonominio transporto, išmaniosios gamybos ir robotikos srityse.

Kiekvienas agentas gali mokytis tiesiogiai iš savo sąveikų ar aplinkos, o vėliau prisidėti prie bendro modelio tobulinimo. Tai leidžia sistemoms išlikti personalizuotoms ir adaptyvioms, kartu laikantis duomenų nuosavybės bei reguliavimo reikalavimų.

Saugumo kaina

Nors federatyvinis mokymasis saugo duomenis, jis susiduria su techniniais iššūkiais. Tyrimai rodo, kad saugumo užtikrinimo metodai, tokie kaip „malicious“ (piktavališki) ar „verifiable“ (tikrinami) variantai, reikalauja papildomų skaičiavimo ir komunikacijos išteklių.

Svarbu pabrėžti, kad esami saugumo protokolai ne visada apsaugo nuo visų galimų atakų. Pavyzdžiui, jie gali neapsaugoti nuo piktavališko klientų elgesio, duomenų apnuodijimo ar „Byzantine“ tipo klientų veiklos. Be to, didesnio masto sistemų veikimas, viršijantis 70 klientų, vis dar išlieka tolesnių tyrimų objektu.

Reguliavimo aplinka ir plėtra

Sveikatos apsaugos sektoriuje federacinis mokymasis tampa vis svarbesnis. HIMSS Analytics duomenimis, 2024 m. sveikatos sistemos visame pasaulyje programinės įrangos kaip medicinos priemonės (SaMD) įsigijimui skyrė apie 2,3 mlrd. USD, o didelė šios sumos dalis nukreipta į platformas, gebančias nuolat mokytis iš federacinių duomenų rinkinių.

Plėtrą skatina ir palankesnė reguliavimo aplinka. Pavyzdžiui, JAV Maisto ir vaistų administracijos (FDA) 2023 m. rekomendacijos leidžia gamintojams nustatyti „algoritmo keitimo protokolą“, todėl modelį atnaujinant nereikia kaskart atlikti pakartotinio 510(k) patvirtinimo.

Medicinos srityje pereinama prie „trustless“ (pasitikėjimo nereikalaujančių) sistemų. Tyrimų grupės pabrėžia, kad sveikatos apsaugos pramonė negali sau leisti „juodosios dėžės“ tipo dirbtinio intelekto, todėl modelių patikimumas ir auditas tampa esminiais reikalavimais.

Naudojant kriptografinius įrodymus, tokius kaip ZK-SNARK, galima užtikrinti, kad agregacijos taisyklės būtų taikomos sąžiningai, o į modelį nebūtų įtraukti pašaliniai duomenys. Nors tokie sprendimai reikalauja papildomų resursų, jie leidžia išlaikyti modelių tikslumą, artimą centralizuotam mokymui, kartu užtikrinant duomenų konfidencialumą.

Šaltiniai

  1. [1] [arXiv | 2026-07-27] zkFL-Health: Blockchain-Enabled Zero-Knowledge Federated Learning for Medical AI Privacy
  2. [2] [arXiv | 2026-07-27] Federated Learning Survey: A Multi-Level Taxonomy of Aggregation Techniques, Experimental Insights, and Future Frontiers
  3. [3] [arXiv | 2026-07-30] Secure Aggregation for Privacy-Preserving Federated Learning on Clinical EEG Data