El aprendizaje federado es un paradigma de creciente relevancia en aplicaciones del mundo real, que tiene como objetivo construir un modelo global a través de una red de usuarios heterogéneos sin requerir el intercambio de datos privados. Nos enfocamos en el aprendizaje del modelo sobre arquitecturas descentralizadas, donde los usuarios colaboran directamente para actualizar el modelo global sin depender de un servidor central. En este contexto, el presente documento propone un enfoque novedoso para aprender colaborativamente clasificadores generativos probabilísticos con una forma paramétrica. El marco está compuesto por una red de comunicación sobre un conjunto de nodos locales, cada uno de los cuales tiene sus propios datos locales, y una regla de actualización local. La propuesta implica compartir estadísticas locales con nodos vecinos, donde cada nodo agrega la información de los vecinos y aprende iterativamente su propio clasificador local, que progresivamente converge hacia un modelo global. Experimentaciones extensivas demuestran que el algoritmo converge consistentemente a un modelo globalmente competitivo a través de una amplia gama de topologías de red, tamaños de red, tamaños de conjuntos de datos locales y distribuciones de datos extremas no i.i.d.
Pérez et al. (Wed,) estudiaron esta cuestión.