Федеративное машинное обучение (FML) – это новая парадигма распределенного машинного обучения, которая обеспечивает возможность совместного обучения, использования и построения модели на основе большого количества распределенных наборов данных с обеспечением безопасности данных и соблюдением нормативно-правовых требований. В FML вычисления осуществляются там, где находятся данные, и, несмотря на доступность данных, вычисления на их основе и сами данные остаются вне поля зрения. В связи с услугами, основанными на FML, возникают некоторые проблемы в аспектах доверия, поскольку они реализуются в распределенных или децентрализованных средах. Все проблемы в основном обусловлены отсутствием доверия к широкому кругу сторон, задействованных в предоставлении услуг на основе FML, и связаны, как правило, с процессами обучения модели и ее использования, такими как индексирование данных, вычисления на основе данных, обмен параметрами и т. д.Для укрепления доверия к услугам, основанным на FML, необходимы специальные функциональные компоненты, включая совершенствование процессов индексации наборов данных, вычислений на основе данных, обмена параметрами и использования моделей. Одним из типов надежных систем совместно используемых данных, которые можно было бы использовать в том числе для хранения данных, используемых для услуг на основе FML, является система технологии распределенного реестра (DLT). Конвергенция между FML и соответствующим компонентами может способствовать улучшению услуг, основанных на FML, включая решение проблем, связанных с доверием к услугам на основе FML.В Рекомендации МСЭ-T F.748.35 описана надежная услуга на основе FML и определена ее концепция, общие характеристики и требования, а также эталонная структура. |
