फ़ेडरेटेड लर्निंग: कार्यप्रणाली और गोपनीयता की सीमाएँ

फ़ेडरेटेड लर्निंग में प्रशिक्षण डेटा स्थानीय रखते हुए साझा मॉडल के प्रशिक्षण में योगदान दिया जाता है। फिर भी भेजे गए अपडेट जानकारी उजागर कर सकते हैं। केवल यह संरचना गुमनामी या GDPR अनुपालन की गारंटी नहीं देती।

वितरित प्रशिक्षण में भी खतरे रहते हैं

एक सामान्य संरचना में समन्वयक मॉडल भेजता है, प्रतिभागी स्थानीय प्रशिक्षण करते हैं और समन्वयक उनके अपडेट एकत्र करता है। हमलावर अपडेट या अंतिम मॉडल से जानकारी निकाल सकता है। दुर्भावनापूर्ण प्रतिभागी प्रशिक्षण में विषाक्त योगदान भी दे सकते हैं। केंद्रीय समन्वयक विफलता या घुसपैठ का केंद्र बना रह सकता है।

हर सुरक्षा उपाय का अलग मूल्यांकन करें

सुरक्षित एकत्रीकरण प्रोटोकॉल की मान्यताओं के तहत समन्वयक से व्यक्तिगत योगदान छिपा सकता है। होमोमॉर्फिक एन्क्रिप्शन एन्क्रिप्टेड मानों पर कुछ गणनाएँ संभव बनाता है। डिफ़रेंशियल प्राइवेसी तभी मात्रात्मक गारंटी देती है जब तंत्र, संरक्षित इकाई और प्राइवेसी बजट निर्धारित हों। इन उपायों की लागत और सीमाएँ हैं; ये उपकरण सुरक्षा या कानूनी आकलन का विकल्प नहीं हैं।

चुनाव से पहले

• हमलावर तथा अनुमान, मिलीभगत और मॉडल-पॉइज़निंग के खतरे तय करें।
• मॉडल की उपयोगिता, गोपनीयता, संचार और गणना लागत साथ मापें।
• उद्देश्य, जिम्मेदारियाँ, संग्रह अवधि और वास्तव में लागू सुरक्षा लिखित रखें।

स्रोत और दायरा

• NIST · Privacy Attacks in Federated Learning · 2024
• NIST · Protecting Model Updates in Privacy-Preserving Federated Learning · 2024
• NIST SP 800-226 · 2025
• NIST AI 100-2e2025 · § 2.3.4
• NIST · BIT-FL · 2024

संपादकीय जाँच: 31 अक्टूबर 2026।