L'apprendimento federato è un metodo di addestramento distribuito in cui ogni client o tenant conserva i dati grezzi sul proprio dispositivo o nel proprio ambiente, e solo gli aggiornamenti del modello vengono inviati a un coordinatore centrale per l'aggregazione. Questo approccio è utile quando i dati sono sensibili, soggetti a normative o distribuiti tra molte organizzazioni, perché riduce la necessità di trasferire i record in un unico archivio di addestramento condiviso.
Nel campo della sicurezza informatica, l'apprendimento federato è importante perché modifica la superficie di attacco anziché eliminarla. Gli aggressori possono tentare di inferire dati privati dai gradienti o dagli aggiornamenti, avvelenare l'addestramento locale per influenzare il modello globale, oppure sfruttare una selezione debole dei partecipanti e piccoli gruppi in sistemi multi-tenant. I difensori usano aggregazione sicura, clipping degli aggiornamenti, iniezione di rumore e controlli di audit per limitare l'esposizione e tracciare ciò che è stato effettivamente addestrato. L'apprendimento federato preserva la privacy solo quando l'intera pipeline, inclusi appartenenza, aggregazione e rilascio, è controllata e verificabile.