A Aprendizagem Federada é uma técnica de treinamento distribuída de modelos de Aprendizagem de Máquina. Diferente de outras técnicas de treinamento distribuídas, na Aprendizagem Federada há restrições quanto ao acesso de dados pelos dispositivos que executam o treinamento, evitando que os dispositivos proprietários dos dados compartilhem esses dados com quaisquer outros dispositivos. Para isso, os dispositivos assumem a responsabilidade de executar o treinamento local do modelo, exclusivamente a partir de sua base de dados. A garantia ao acesso exclusivo dos dados favorece aplicações com restrições de segurança, sigilo de dados ou que atribuem valor financeiro a eles. Todavia, a adoção da técnica de Aprendizagem Federada tem outras implicações, quando comparada a técnicas tradicionais de treinamento, tais como aumento na alocação de banda de comunicação para treinamento, heterogeneidade dos dispositivos e disponibilização de dados entre os dispositivos de forma não independente e identicamente distribuídas.
Considerando a importância da técnica de Aprendizagem Federada, é importante conhecer as diferenças técnicas entre as técnicas de treinamento federado e demais técnicas de treinamento distribuído tradicionais. Dessa forma, é possível respaldar a escolha das estratégias de treinamento a partir de requisitos das aplicações e restrições técnicas do cenário em que essa aplicação será executada.
Assim, esse projeto visa analisar e avaliar requisitos de segurança e consumo de banda de comunicação, comparando o treinamento federado com o treinamento distribuído tradicional.