Naukowcy opracowali metodę SUM rozwiązującą jeden z kluczowych problemów federacyjnego uczenia przyrostowego - zdolność systemów do nauki z rozproszczonych danych przy jednoczesnej adaptacji do nowych klas zadań. W praktyce systemy muszą uczyć się od wielu niezależnych klientów mających dostęp do różnych danych, jednocześnie dodając nowe klasy bez „zapominania" starych umiejętności.
Metoda reinterpretuje problem jako ujednolicone zadanie wielotaskowe, gdzie zarówno aktualizacje od klientów jak i nowe zadania reprezentowane są jako wektory adaptacji w wspólnej przestrzeni parametrów. SUM wykonuje geometryczne operacje na tych wektorach podczas agregacji na serwerze - spatial SUM zmniejsza interferencję między klientami w każdej rundzie, a temporal SUM usuwa interferencję między zadaniami w czasie bez konieczności dodatkowych obliczeń czy komunikacji na urządzeniach klientów.
To znaczące podejście bo rozwiązuje longstanding challenge połączenia federacyjnego uczenia z uczeniem przyrostowym, pozostając jednocześnie efektywne w praktyce. Zamiast osobnych mechanizmów do obsługi interferencji przestrzennej i czasowej, SUM oferuje ujednoliconą ramę, która działa czysto po stronie serwera, co czyni ją praktycznym rozwiązaniem dla rzeczywistych inteligentnych systemów rozproszonych.