Federated Inference: Datenschutzfreundliche, kollaborative Modellbereitstellung

Ein neuer Forschungsbereich, der als Federated Inference (FI) bezeichnet wird, eröffnet die Möglichkeit, dass unabhängige, privat betriebene Modelle bei der Vorhersage zusammenarbeiten, ohne Daten oder Modellparameter auszutauschen. Damit wird ein völlig neues Paradigma für kollaborative KI geschaffen, das sich von federated learning unterscheidet und gleichzeitig die Privatsphäre der beteiligten Parteien schützt.

Die Autoren identifizieren zwei zentrale Voraussetzungen für den Erfolg von FI: Erstens muss die Privatsphäre während der Inferenz gewahrt bleiben, und zweitens muss die Zusammenarbeit tatsächlich zu messbaren Leistungsverbesserungen führen. Durch die Kombination dieser Anforderungen entsteht ein komplexes Zusammenspiel von Sicherheitsmechanismen, Datenheterogenität und begrenzter Beobachtbarkeit.

In ihrer Arbeit wird FI als „geschützte kollaborative Berechnung“ formalisiert. Dabei werden die wichtigsten Designdimensionen – wie Verschlüsselung, Datenpartitionierung und Kommunikationsprotokolle – analysiert und die strukturellen Kompromisse aufgezeigt, die entstehen, wenn gleichzeitig Datenschutz, nicht-IID-Daten und eingeschränkte Sichtbarkeit berücksichtigt werden müssen.

Ein konkretes Prototyping und umfangreiche Experimente verdeutlichen wiederkehrende Stolpersteine: die Balance zwischen Datenschutz und Modellleistung, die Herausforderungen bei ensemblebasierten Kollaborationen sowie die Notwendigkeit, Anreize für die Beteiligten zu schaffen. Die Ergebnisse zeigen, dass FI systemische Eigenschaften besitzt, die nicht einfach aus Trainingszeit-Federationen oder klassischen Ensemblemethoden übernommen werden können. Das Papier liefert damit einen einheitlichen Rahmen für FI und skizziert offene Forschungsfragen, die gelöst werden müssen, um skalierbare, praxisnahe und datenschutzfreundliche Inferenzsysteme zu realisieren.