KI News: Kurz und klar.

Split Federated Learning (SFL) ermöglicht es ressourcenbeschränkten Edge‑Geräten, gemeinsam mit einem leistungsstarken Server Modelle zu trainieren. Dabei stellt die Kommunikation häufig ein Engpass dar, den Hilfsnetzwerke teilweise mildern können. Das eigentliche Problem bleibt jedoch die hohe Rechen- und Speicherbelastung beim Back‑Propagation‑Prozess auf den Geräten, die die Skalierbarkeit von Modellen stark einschränkt.

Split Federated Learning (SFL) teilt ein Modell in zwei Teile: Teil 1 wird lokal bei jedem Client trainiert und anschließend aggregiert, während Teil 2 auf dem Server die von den Clients empfangenen Zwischenaktivierungen sequentiell verarbeitet. Diese Aufteilung ermöglicht eine effiziente Zusammenarbeit, birgt jedoch ein neues Problem: das katastrophale Vergessen (Catastrophic Forgetting, CF).