Señal Federada
La Señal Federada se refiere a la metodología de agregar o sintetizar señales de datos significativas y que preservan la privacidad a partir de múltiples fuentes de datos dispersas geográficamente o aisladas, sin requerir que los datos brutos abandonen su ubicación original. Es un concepto central dentro de los marcos de aprendizaje federado.
En los ecosistemas de datos modernos, los datos a menudo están altamente regulados o son propietarios, lo que impide la recopilación centralizada. La Señal Federada permite a las organizaciones aprovechar la inteligencia colectiva de conjuntos de datos distribuidos —como el comportamiento del usuario en múltiples dispositivos o los registros hospitalarios en varias clínicas— para construir modelos robustos y precisos, mientras se cumplen estrictos estándares de cumplimiento como GDPR o HIPAA.
En lugar de enviar datos brutos a un servidor central, el modelo (o sus actualizaciones/gradientes) se envía a los silos de datos locales. Cada silo entrena el modelo localmente con sus datos privados. Solo las actualizaciones de modelo agregadas resultantes (la 'señal') se envían de vuelta a un orquestador central. Esta entidad central luego promedia o combina estas señales para crear un modelo global mejorado, que luego se redistribuye para la siguiente ronda de entrenamiento local.
