Naukowcy opracowali model FHPLF, który integruje hash learning z federacyjnym uczeniem maszynowym, aby umożliwić bezpieczne przetwarzanie danych bez konieczności ich centralizacji. Problem stanowiła tradycyjna potrzeba wysyłania dużych ilości rzeczywistych danych gradientów w federacyjnym uczeniu, co powodowało wysokie koszty komunikacji i zagrażało prywatności użytkowników. Nowa metoda zastępuje macierze gradientów wartościami rzeczywistymi binarnymi matrycami, które znacznie zmniejszają zapotrzebowanie na moc obliczeniową, pamięć i przepustowość sieci.
Klucz do rozwiązania stanowią trzy główne innowacje. Po pierwsze, binarne gradienty pozwalają na drastyczne zmniejszenie kosztów przesyłania danych przy jednoczesnym wzmocnieniu ochrony prywatności. Po drugie, zastosowanie Projected Hamming Distance do modelowania podobieństwa poprawia zdolność reprezentacyjną binarnych kodów, które tradycyjnie cierpią z powodu ograniczonej pojemności informacyjnej. Po trzecie, mechanizm Secure Binary Gradient Reassembly i Privacy-Enhanced Upload (SBG-PEU) dodatkowo zabezpiecza transmisję danych, zmniejszając ryzyko wycieków informacji podczas interakcji użytkowników z systemem.
Rozwiązanie ma istotne znaczenie dla branży ze względu na rosnące wymogi regulacyjne dotyczące bezpieczeństwa danych, takie jak RODO czy inne lokalne przepisy ochrony prywatności. Metoda FHPLF oferuje praktyczną drogę do budowy wydajnych modeli uczenia maszynowego bez kompromisu w kwestii bezpieczeństwa, co jest szczególnie ważne dla zastosowań medycznych, finansowych i innych wrażliwych sektorów. Badania pokazują, że można osiągnąć efektywność federacyjnego uczenia przy zachowaniu kompaktowych reprezentacji binarnych, otwierając nowe możliwości dla rozproszonych systemów uczenia maszynowego.