Evaluador Federado
Un Evaluador Federado es un componente o marco diseñado para evaluar el rendimiento, el sesgo y la precisión de un modelo de aprendizaje automático en múltiples conjuntos de datos distribuidos geográficamente o aislados. A diferencia de la evaluación centralizada tradicional, que requiere agrupar todos los datos en una sola ubicación, el Evaluador Federado permite que las métricas de evaluación se calculen localmente en las fuentes de datos, y solo se comparten los resultados agregados o las actualizaciones del modelo.
En la ciencia de datos moderna, las regulaciones de privacidad de datos (como GDPR o HIPAA) y las estrategias comerciales competitivas a menudo impiden la consolidación de datos sensibles. El Evaluador Federado aborda esta tensión crítica al permitir pruebas de modelos rigurosas a gran escala mientras se mantiene la soberanía de los datos. Asegura que los modelos sean robustos y justos en diversos entornos operativos del mundo real.
El proceso generalmente implica varias etapas:
Este concepto está estrechamente relacionado con el Aprendizaje Federado (FL), donde el modelo se entrena en datos descentralizados. El Evaluador Federado se centra específicamente en la fase de evaluación, mientras que FL se centra en la fase de entrenamiento. La Privacidad Diferencial se utiliza a menudo junto con él para agregar una capa adicional de garantías de privacidad matemática.
