Federated Learning e Privacy dei Dati

Il corso esplora in modo approfondito il tema dell’apprendimento distribuito e le sue implicazioni nella tutela della privacy, nella decentralizzazione dei dati e nell’addestramento collaborativo dei modelli. Gli studenti comprenderanno i principi del federated learning, analizzando l’architettura che consente a diversi nodi di addestrare localmente i modelli e sincronizzarli tramite procedure iterative come il federated averaging. Vengono affrontati aspetti cruciali legati alla privacy differenziale, alla homomorphic encryption e alla fairness in presenza di dati eterogenei. Ampio spazio è dedicato al rapporto con l’edge computing e all’uso di TensorFlow Federated per progettare simulazioni, monitorare i processi e valutare la stabilità dei modelli distribuiti. Il corso si conclude con casi applicativi nei settori sanitario, finanziario e mobile, integrando esercitazioni pratiche sulla conformità normativa.