Federated Learning

Was ist Federated Learning?

Federated Learning ist ein Verfahren des maschinellen Lernens, bei dem mehrere Geräte oder Organisationen gemeinsam ein Modell trainieren, ohne ihre Rohdaten zentral zusammenzuführen. Statt der Trainingsdaten werden lokale Modelländerungen übertragen und aggregiert. Dadurch bleiben sensible Informationen am jeweiligen Speicherort, während ein gemeinsames Modell entsteht.

Federated Learning, auf Deutsch einmalig auch föderiertes Lernen genannt, verteilt das Training eines KI-Modells auf mehrere voneinander getrennte Datenquellen. Ein zentraler Koordinator stellt ein Ausgangsmodell bereit. Die beteiligten Systeme trainieren dieses Modell lokal und senden anschließend nur berechnete Parameter oder Aktualisierungen zurück.

Wie funktioniert Federated Learning?

Federated Learning besteht typischerweise aus wiederholten Kommunikationsrunden. Zu Beginn einer Runde wählt der Koordinator geeignete Teilnehmer aus und überträgt den aktuellen Modellstand. Jeder Teilnehmer trainiert eine lokale Kopie mit seinen eigenen Daten. Der Koordinator führt die zurückgesendeten Aktualisierungen zusammen und erstellt daraus die nächste Version des gemeinsamen Modells.

Initialisierung: Ein Server erstellt oder lädt ein gemeinsames Ausgangsmodell.
Lokales Training: Geräte oder Organisationen berechnen Modelländerungen anhand ihrer eigenen Daten.
Übertragung: Die Teilnehmer senden Modellparameter, Gradienten oder andere Aktualisierungen an den Koordinator.
Aggregation: Der Koordinator kombiniert die Aktualisierungen zu einem neuen globalen Modell.
Wiederholung: Die Schritte laufen über mehrere Runden, bis ein definiertes Abbruchkriterium erreicht ist.

Ein verbreitetes Aggregationsverfahren ist Federated Averaging, kurz FedAvg. Dabei werden lokale Modellparameter meist nach der Zahl der verwendeten Trainingsbeispiele gewichtet. Vereinfacht lautet die Berechnung: Summe aus lokalem Modellwert mal lokaler Datenmenge, geteilt durch die gesamte Datenmenge aller beteiligten Teilnehmer.

Ein vereinfachtes Rechenbeispiel zeigt die Gewichtung: Teilnehmer A trainiert mit 100 Datensätzen und liefert den Modellwert 0,2. Teilnehmer B verwendet 300 Datensätze und liefert 0,6. Der aggregierte Wert beträgt (100 × 0,2 + 300 × 0,6) ÷ 400 = 0,5. Der größere lokale Datenbestand erhält dadurch ein höheres Gewicht.

Welche Varianten gibt es?

Die passende Architektur hängt davon ab, wie Daten und Merkmale verteilt sind. Eine falsche Einordnung kann zu einem technisch ungeeigneten Trainingsprozess führen. Üblich ist die Unterscheidung zwischen horizontalem, vertikalem und transferbasiertem Federated Learning.

Variante	Datenverteilung	Typischer Anwendungsfall
Horizontal	Ähnliche Merkmale, unterschiedliche Personen oder Vorgänge	Mehrere Filialen erfassen dieselben Kundendatenfelder, besitzen aber getrennte Kundenbestände.
Vertikal	Unterschiedliche Merkmale zu teilweise denselben Personen oder Vorgängen	Zwei Unternehmen verfügen über verschiedene Informationen zu einer überschneidenden Nutzergruppe.
Transferbasiert	Wenige gemeinsame Merkmale und wenige gemeinsame Datensätze	Vorhandenes Wissen wird zwischen getrennten Datenräumen auf eine verwandte Aufgabe übertragen.

Cross-Device Federated Learning verbindet häufig zahlreiche Endgeräte mit begrenzter Rechenleistung und unzuverlässiger Verfügbarkeit. Cross-Silo Federated Learning arbeitet dagegen meist mit einer kleineren Zahl stabil erreichbarer Organisationen, etwa Unternehmen, Forschungseinrichtungen oder Niederlassungen. Prüfe vor der technischen Planung deshalb, ob einzelne Geräte oder institutionelle Datensilos am Training teilnehmen.

Datenschutz braucht zusätzliche Verfahren

Federated Learning wird häufig mit vollständigem Datenschutz gleichgesetzt. Diese Annahme greift zu kurz. Rohdaten verlassen zwar grundsätzlich nicht ihren lokalen Speicherort, doch Modellaktualisierungen können unter bestimmten Bedingungen Informationen über Trainingsdaten preisgeben. Das Verfahren reduziert den zentralen Datentransport, ersetzt aber keine Schutzanalyse.

Zusätzliche Verfahren können das Risiko begrenzen. Secure Aggregation sorgt dafür, dass der Koordinator nur die zusammengefasste Aktualisierung mehrerer Teilnehmer auswerten kann. Differential Privacy ergänzt berechnetes Rauschen, um Rückschlüsse auf einzelne Trainingsbeispiele zu erschweren. Verschlüsselung, Zugriffskontrollen und eine Prüfung der übertragenen Parameter bleiben ebenfalls erforderlich.

Federated Learning schützt Rohdaten nicht automatisch vor jedem Angriff. Manipulierte Teilnehmer können fehlerhafte Aktualisierungen einschleusen, während Angreifer aus unzureichend geschützten Modelländerungen Informationen ableiten können. Prüfe deshalb Bedrohungsmodell, Teilnehmerauthentifizierung, Aggregationsverfahren und Ausreißererkennung gemeinsam.

Typische technische Herausforderungen

Die lokalen Daten sind bei Federated Learning selten gleich verteilt. Ein Smartphone kann beispielsweise überwiegend kurze Texte enthalten, während ein anderes Gerät vor allem Fachbegriffe verarbeitet. Solche Non-IID-Daten, also statistisch unterschiedlich verteilte Daten, können lokale Modelle in verschiedene Richtungen bewegen und die Konvergenz des gemeinsamen Modells verlangsamen.

Unterschiedliche Datenmengen verzerren ungewichtete Aggregationen.
Abweichende Datenqualität überträgt lokale Fehler auf das gemeinsame Modell.
Langsame oder zeitweise getrennte Teilnehmer verlängern Kommunikationsrunden.
Große Modellparameter verursachen hohe Übertragungs- und Rechenkosten.
Manipulierte Aktualisierungen können die Modellqualität gezielt beeinträchtigen.

Die Qualität eines Federated-Learning-Systems lässt sich nicht mit einer einzigen Kennzahl bewerten. Messbar ist das zum Beispiel über Modellgüte auf getrennten Testdaten, Zahl der Kommunikationsrunden, übertragene Datenmenge, Trainingsdauer, Ausfallquote der Teilnehmer und Unterschiede zwischen lokalen Ergebnissen. Vergleiche diese Werte mit einem zentral trainierten Referenzmodell, sofern eine solche Referenz technisch und rechtlich möglich ist.

Abgrenzung zu verwandten Verfahren

Der Unterschied zwischen Federated Learning und zentralem Machine Learning liegt im Speicherort der Trainingsdaten. Beim zentralen Ansatz werden Daten in einem gemeinsamen System gesammelt. Beim föderierten Ansatz verbleiben die Datensätze bei den Teilnehmern, während das Modell oder seine Aktualisierungen zwischen lokalen Systemen und Koordinator ausgetauscht werden.

Distributed Learning bezeichnet allgemein das verteilte Training über mehrere Rechner. Die Rechenknoten können dabei auf einen gemeinsamen Datenbestand zugreifen. Federated Learning ist eine besondere Form des verteilten Lernens, bei der getrennte Datenhoheit, lokale Speicherung und begrenzter Datenaustausch zu den grundlegenden Bedingungen gehören.

Split Learning teilt ein neuronales Netz in mehrere Abschnitte. Ein Teilnehmer berechnet die ersten Schichten und überträgt Zwischenergebnisse an einen Server, der das restliche Netz verarbeitet. Federated Learning lässt Teilnehmer dagegen meist vollständige lokale Modellkopien trainieren und aggregiert anschließend deren Aktualisierungen.

Federated Learning im Online-Marketing

Federated Learning ist kein direkter Ranking-Faktor und keine eigenständige SEO-Methode. Für Online-Marketing wird das Verfahren relevant, wenn Unternehmen Modelle auf getrennten Datenbeständen trainieren möchten, ohne sämtliche Rohdaten in einer zentralen Plattform zu speichern. Denkbare Aufgaben sind Prognosen, Klassifikationen, Betrugserkennung oder die Erkennung wiederkehrender Verhaltensmuster.

Für SEO, SEA und GEO, also Generative Engine Optimization, bleibt eine belastbare Datenbasis wichtiger als die Wahl eines bestimmten Lernverfahrens. Unternehmen müssen zunächst klären, welche Daten für Keywords, Anzeigen, Conversions und KI-Sichtbarkeit vorliegen. Der Leitfaden zur Nutzung von KI für Content zeigt, warum automatisierte Ergebnisse fachlich geprüft werden müssen. Die Optimierung der KI-Sichtbarkeit betrifft dagegen die Präsenz einer Marke in generativen Suchsystemen und ist klar von dezentralem Modelltraining abzugrenzen.

Für ein eigenes Federated-Learning-Projekt solltest du zuerst den Geschäftszweck, die beteiligten Datenhalter und eine messbare Zielgröße festlegen. Ein Pilotprojekt benötigt außerdem ein zentrales Referenzverfahren, definierte Testdaten und Regeln für ausfallende oder auffällige Teilnehmer. Eine datenbasierte Beratung für digitale Strategien kann helfen, den tatsächlichen Nutzen einer KI-Architektur vor der Implementierung zu prüfen.

Häufige Fragen zu Federated Learning

Werden bei Federated Learning überhaupt keine Daten übertragen?

Doch. Üblicherweise werden Modellparameter, Gradienten oder daraus abgeleitete Aktualisierungen übertragen. Die lokalen Rohdaten bleiben grundsätzlich am Speicherort, doch auch Modelländerungen müssen gegen unerwünschte Rückschlüsse geschützt werden.

Braucht Federated Learning immer einen zentralen Server?

Ein zentraler Koordinator ist verbreitet, aber nicht zwingend. Dezentrale Architekturen können Aktualisierungen direkt zwischen Teilnehmern austauschen. Sie benötigen jedoch ebenfalls Regeln für Koordination, Konsens, Sicherheit und den Umgang mit ausgefallenen Knoten.

Ist Federated Learning nur für Smartphones geeignet?

Nein. Federated Learning kann Endgeräte, Unternehmensserver, Kliniken, Produktionsstandorte oder andere getrennte Datenräume verbinden. Die technische Ausgestaltung richtet sich nach Teilnehmerzahl, Rechenleistung, Verfügbarkeit und Datenstruktur.

Was bedeutet Non-IID bei Federated Learning?

Non-IID bedeutet, dass die lokalen Trainingsdaten nicht identisch und unabhängig verteilt sind. Unterschiedliche Nutzergruppen, Geräte oder Standorte können stark abweichende Daten liefern. Das erschwert die Aggregation und kann zusätzliche Gewichtungs- oder Personalisierungsverfahren erforderlich machen.

Kann Federated Learning ein Modell personalisieren?

Ja. Ein gemeinsames Modell kann als Ausgangspunkt dienen und anschließend lokal angepasst werden. Dadurch erhält jeder Teilnehmer ein personalisiertes Modell, während über gemeinsame Trainingsrunden weiterhin Wissen aus mehreren Datenquellen einfließt.

Wann lohnt sich Federated Learning für ein Unternehmen?

Federated Learning eignet sich, wenn mehrere getrennte Datenbestände einen gemeinsamen Modellnutzen versprechen, Rohdaten aber lokal bleiben sollen. Vor dem Einsatz sollten Unternehmen Modellqualität, Kommunikationsaufwand, Sicherheitsrisiken und die Kosten gegenüber einem zentralen oder rein lokalen Training vergleichen.