Sherpa.ai: Blindes vertikales Federated Learning reduziert Kommunikation um 99 %

Federated Learning (FL) ermöglicht es mehreren Organisationen, gemeinsam Modelle zu trainieren, ohne ihre Rohdaten preiszugeben. Während das weit verbreitete horizontale FL gleiche Merkmalsräume nutzt, arbeitet das vertikale FL mit ergänzenden Merkmalen desselben Datensatzes. Doch die klassische vertikale Variante erfordert enorme Kommunikationsaufkommen, was Datenschutz, Sicherheit und Energieverbrauch stark belastet und in manchen Fällen das Training unmöglich macht.

Der neue Ansatz von Sherpa.ai – das Blind Vertical Federated Learning (SBVFL) – löst dieses Problem, indem die meisten Knotenupdates vom Server entkoppelt werden. Dadurch sinkt die Kommunikation um beeindruckende 99 % im Vergleich zu herkömmlichem VFL, ohne dass Genauigkeit oder Robustheit leiden. SBVFL macht vertikales Federated Learning praktisch und datenschutzkonform für sensible Bereiche wie Gesundheitswesen, Finanzen, Fertigung, Luft- und Raumfahrt, Cybersicherheit und Verteidigung.