یادگیری فدرال چارچوبی نوین برای آموزش مدل های هوش مصنوعی بر روی داده های پراکنده کاربران است. در این چارچوب، به جای انتقال داده های خام، تنها وزن های مدل از دستگاه های محلی کاربران به یک سرور مرکزی ارسال و تجمیع می شود تا یک مدل مشترک جهانی ایجاد شود. مدل تجمیع شده به عنوان مدل اولیه در دور بعدی یادگیری برای کاربران ارسال می شود تا اطلاعات کاربران به طور ضمنی به اشتراک گذاشته شده و بهبود تدریجی کیفیت مدل حاصل شود. با این حال، ناهمگونی داده های کاربران یکی از چالش های اصلی در این زمینه است که منجر به کاهش دقت مدل، کندی همگرایی و ناعادلانه شدن عملکرد بین کاربران می شود.
