यह शोधपत्र फेडरेटेड लर्निंग (FL) का एक व्यापक अवलोकन प्रदान करता है, जो वितरित मशीन लर्निंग के क्षेत्र में एक अभिनव प्रतिमान के रूप में उभरा है। फेडरेटेड लर्निंग कई क्लाइंट्स, जैसे मोबाइल डिवाइस, एज नोड्स या संगठनों को संवेदनशील डेटा को केंद्रीकृत किए बिना, एक साझा वैश्विक मॉडल को सहयोगात्मक रूप से सीखने में सक्षम बनाता है। यह विकेन्द्रीकृत दृष्टिकोण स्वास्थ्य सेवा, वित्त और स्मार्ट IoT प्रणालियों जैसे क्षेत्रों में विशेष रूप से आकर्षक है, क्योंकि यह डेटा गोपनीयता, सुरक्षा और अनुपालन के बारे में बढ़ती चिंताओं का समाधान करता है। फेडरेटेड लर्निंग की मुख्य वास्तुकला और संचार प्रोटोकॉल से शुरू करते हुए, हम प्रमुख तकनीकी चुनौतियों पर चर्चा करते हैं, जैसे कि मानक FL जीवनचक्र (स्थानीय शिक्षण, मॉडल एकत्रीकरण और वैश्विक अद्यतन सहित), गैर-IID (गैर-स्वतंत्र और गैर-समान रूप से वितरित) डेटा को संभालना, सिस्टम और हार्डवेयर विविधता को कम करना, संचार ओवरहेड को कम करना, और विभेदक गोपनीयता और सुरक्षित एकत्रीकरण जैसे तंत्रों के माध्यम से गोपनीयता सुनिश्चित करना। हम एफएल अनुसंधान में उभरते रुझानों की भी जांच करते हैं, जिसमें व्यक्तिगत एफएल, क्रॉस-डिवाइस बनाम क्रॉस-रीयल-टाइम सेटिंग्स, सुदृढीकरण सीखने और क्वांटम कंप्यूटिंग जैसे अन्य प्रतिमानों के साथ एकीकरण, बेंचमार्क डेटासेट और मूल्यांकन मेट्रिक्स का सारांश शामिल है जो आमतौर पर वास्तविक दुनिया के अनुप्रयोगों और एफएल अनुसंधान में उपयोग किया जाता है, और स्केलेबल, कुशल और विश्वसनीय एफएल सिस्टम विकसित करने के लिए खुले अनुसंधान मुद्दों और भविष्य की दिशाओं का सुझाव देते हैं।
