Zespół badawczy zaprezentował pFedHGP - nową metodę łączącą hierarchiczne procesy Gaussa z federacyjnym uczeniem, rozwiązującą problem prywatnego modelowania danych rozproszczonych na heterogenicznych urządzeniach klientów. Architektura rozkłada funkcje latentne każdego klienta na trzy komponenty: wspólny element globalny synchronizowany na serwerze, odchylenie specyficzne dla danego klienta zachowujące globalną strukturę jądra oraz elastyczną resztkę lokalną. Kluczowym zabezpieczeniem jest wykorzystanie rzadkich aproksymacji ze zmiennymi indukującymi i federacyjnej wnioskowania wariacyjnego - dane surowe pozostają na urządzeniach, a serwer synchronizuje jedynie niskowymiarowe statystyki dotyczące komponentu globalnego.
Metoda wyróżnia się zdolnością dostarczania pełnych rozkładów predykcyjnych z miarami niepewności, co wspiera świadome podejmowanie decyzji. W praktycznych testach pFedHGP uzyskała idealne wyniki w klasyfikacji błędów prasy do papieru przy monitorowaniu tonnażu siły, wykorzystując zaledwie 13,77% oznaczonych cykli treningowych. Zastosowanie w federacyjnym modelowaniu jakości powietrza wykazało, że algorytm potrafi odtworzyć strefy geograficzne bez centralizacji danych z poszczególnych stacji pomiarowych, jedynie synchronizując statystyki globalne.
Pracę można postrzegać przez pryzmat Instantaneous Linear Mixing Model, który wiąże hierarchię z wielowyjściowymi procesami Gaussa dla skorelowanych czujników. To teoretyczne podejście otwiera perspektywy dla bardziej złożonych systemów rozproszonych, gdzie sensory są wzajemnie powiązane i generują korelowane obserwacje w różnych lokalizacjach.