Abstract
В настоящее время невозможно представить мир информационных технологий без больших данных. Известно, что данные хранятся в централизованных мощных серверах, что вынуждает компании искать более новые, дорогостоящие решения, которые высвечивают проблемы с производительностью, с масштабируемостью и с качеством данных. Одним из основных недостатков сбора данных в централизованных серверах, является увеличение общего времени обработки, сетевого трафика, безопасности и конфиденциальность данных. Применение федеративного обучения, которое предложила компания Google, может стать решением вышеперечисленных проблем. Основной идеей выступает построение моделей федеративного обучения из набора данных без обмена ими между устройствами. В этой статье представлены шаги с которых можно начать для внедрения федеративного обучения. Мы рассмотрели следующие аспекты: датасеты, фреймворки, архитектуры которые применяются при изучении федеративного обучения. Представлен краткий анализ алгоритмов федеративного обучения: FedAVG, FedVar, FedDC, FedMA, FedDyn, FedAla, FedProx, FedAG.