Definizione
Il Federated Learning (Apprendimento Federato) è un paradigma di apprendimento automatico distribuito in cui i modelli vengono addestrati localmente su più dispositivi o server senza trasferire i dati a un unico centro di elaborazione. Questo approccio consente di preservare la privacy e di sfruttare dati sensibili senza doverli centralizzare, migliorando la sicurezza e rispettando normative come il GDPR.
Nel Federated Learning, un modello globale viene aggiornato raccogliendo solo i parametri appresi localmente (come i pesi di una rete neurale) e non i dati stessi. Gli aggiornamenti vengono poi aggregati su un server centrale per migliorare il modello complessivo, mantenendo i dati dei singoli dispositivi riservati.
Applicazioni in Medicina
- Collaborazione tra ospedali: diverse strutture sanitarie possono addestrare modelli di IA su immagini mediche senza condividere i dati dei pazienti.
- Diagnosi personalizzata: dispositivi mobili e sensori indossabili (es. smartwatch) possono migliorare modelli di predizione di malattie senza trasmettere informazioni sensibili ai server centrali.
- Rilevamento di malattie rare: permette di combinare conoscenze provenienti da più istituzioni per addestrare modelli robusti anche su dataset rari e frammentati.
