आधुनिक डिजिटल दुनिया में, संवेदनशील जानकारी अक्सर कई अलग-अलग उपकरणों और संगठनों में बिखरी होती है, जैसे कि अस्पताल के सर्वर से लेकर व्यक्तिगत स्मार्टफोन तक। ऐसे बुद्धिमान सिस्टम बनाने के लिए जो असामान्य पैटर्न को पहचान सकें—जैसे कि मेडिकल रिकॉर्ड में कोई दुर्लभ बीमारी या बैंकिंग डेटा में कोई धोखाधड़ी वाला लेनदेन—इन सिस्टमों को आमतौर पर विशाल मात्रा में जानकारी से सीखने की आवश्यकता होती है। हालाँकि, गोपनीयता कानून और सुरक्षा संबंधी चिंताएँ संगठनों को अपना कच्चा डेटा (raw data) किसी केंद्रीय प्राधिकरण के साथ साझा करने से रोक सकती हैं। इसने 'फेडरेटेड लर्निंग' (federated learning) नामक एक सहयोगात्मक दृष्टिकोण के उदय का मार्ग प्रशस्त किया है। डेटा को केंद्रीय कंप्यूटर तक ले जाने के बजाय, सीखने की प्रक्रिया डेटा तक पहुँचती है। प्रत्येक उपकरण मॉडल का एक छोटा हिस्सा स्थानीय रूप से प्रशिक्षित करता है और केवल गणितीय अपडेट वापस भेजता है, जिसे केंद्रीय सर्वर वैश्विक प्रणाली को बेहतर बनाने के लिए संयोजित करता है। जबकि यह कच्चे डेटा को निजी रखता है, वे गणितीय अपडेट स्वयं कभी-कभी बहुत अधिक प्रकट करने वाले हो सकते हैं। यदि सिस्टम को सामान्य पैटर्न को इतनी अच्छी तरह से पहचानने के लिए डिज़ाइन किया गया है कि वह उन्हें फिर से बना सके, तो एक जिज्ञासु पर्यवेक्षक उन अपडेट्स से मूल निजी डेटा को रिवर्स-इंजीनियर करने में सक्षम हो सकता है।

कार्नेगी मेलन यूनिवर्सिटी और सैंडिया नेशनल लैबोरेटरीज के शोधकर्ताओं ने इस विशिष्ट समस्या को हल करने के लिए एक नई विधि विकसित की है, विशेष रूप से उन सिस्टमों के लिए जो ऑटोएनकोडर्स (autoencoders) का उपयोग करते हैं, जो एक प्रकार का आर्टिफिशियल इंटेलिजेंस है जिसे सामान्य डेटा को पुनर्गठित करने के लिए डिज़ाइन किया गया है। वे अपने दृष्टिकोण को 'ग्लोबल सेंट्रॉइड अलाइनमेंट' (Global Centroid Alignment) कहते हैं। इन सिस्टमों के साथ पारंपरिक फेडरेटेड लर्निंग में, उपकरण अपने मॉडल के जटिल गणितीय भार (weights) वापस भेजते हैं, जो नेटवर्क कनेक्शन पर एक भारी बोझ है और डेटा लीक होने का जोखिम भी बना रहता है। नई विधि विनिमय के नियमों को पूरी तरह से बदल देती है। मॉडल को भेजने के बजाय, प्रत्येक उपकरण जो उसने सीखा है उसका एक छोटा, संकुचित सारांश भेजता है: अमूर्त कोड (abstract codes) का एक सेट जो उसके द्वारा देखे गए डेटा का प्रतिनिधित्व करता है। एक केंद्रीय सर्वर फिर इन कोडों को सामान्य पैटर्न, या "केंद्रों" (centers) को खोजने के लिए एक साथ समूहित करता है, और इन सरल सारांशों को उपकरणों को वापस भेजता है। उपकरण फिर अपने स्वयं के सीखने को इन वैश्विक केंद्रों के साथ संरेखित करने के लिए समायोजित करते हैं, बिना कभी अपने कच्चे डेटा या अपनी आंतरिक मॉडल संरचनाओं को प्रकट किए।

शोधकर्ताओं ने सात अलग-अलग डेटासेट्स पर इस विधि का परीक्षण किया, जिसमें वित्तीय रिकॉर्ड और मेडिकल डेटा से लेकर रोजमर्रा की वस्तुओं की छवियों तक शामिल थे। उन्होंने पाया कि यह नया दृष्टिकोण मौजूदा तरीकों की तुलना में डेटा को काफी बेहतर तरीके से सुरक्षित करता है और अंतिम सिस्टम की सटीकता में भी सुधार करता है। उन परीक्षणों में जहाँ एक दुर्भावनापूर्ण सर्वर ने प्राप्त की गई जानकारी से मूल निजी डेटा को पुनर्गोषित करने की कोशिश की, इस नई विधि ने हमलावर के लिए सफल होना बहुत कठिन बना दिया। पुनर्गठित चित्र और रिकॉर्ड मूल प्रशिक्षण डेटा की तुलना में बहुत कम समान थे। वास्तव में, एक अग्रणी मानक तकनीक के विरुद्ध इक्कीस में से इक्कीस तुलनाओं में, नए तरीके ने डेटा निष्कर्षण के खिलाफ अधिक मजबूत सुरक्षा प्रदान की। इसने नेटवर्क पर भेजे जाने वाले डेटा को 99.15 प्रतिशत तक कम कर दिया, जिससे यह सीमित बैंडविड्थ वाले उपकरणों के लिए बहुत अधिक कुशल बन गया।

इस नवाचार का मूल इस बात में निहित है कि सीखना कैसे होता है। मानक दृष्टिकोण में, उपकरण अपने इनपुट डेटा को पूरी तरह से पुनर्गठित करने के लिए एक ऑटोएनकोडर को प्रशिक्षित करते हैं। ज्ञान साझा करने के लिए, वे इस निर्माता का पूरा ब्लूप्रिंट सर्वर को भेजते हैं। नई विधि ब्लूप्रिंट को स्थानीय रखती है। इसके बजाय, डिवाइस अपने डेटा को प्रोसेस करते समय उत्पन्न किए गए अमूर्त कोड का एक छोटा नमूना भेजता है। सर्वर सभी प्रतिभागी उपकरणों से इन कोडों को एकत्र करता है और इन कोडों के औसत स्थानों, या 'सेंट्रॉइड्स' (centroids), को खोजने के लिए एक क्लस्टरिंग तकनीक का उपयोग करता है। फिर यह इन औसत स्थानों को उपकरणों को वापस प्रसारित करता है। उपकरण अपने आंतरिक एनकोडर को इन वैश्विक औसत के अनुरूप बनाने के लिए ट्यून करते हैं, जिससे दुर्लभ या कम सामान्य पैटर्न को अतिरिक्त महत्व दिया जाता है ताकि कुछ भी छूटे नहीं। यह प्रक्रिया दोहराई जाती है, जिससे सिस्टम सभी उपकरणों के सामूहिक अनुभव से सीख पाता है, बिना कभी कच्चे डेटा या विस्तृत मॉडल मापदंडों को उजागर किए।

अध्ययन के परिणाम दर्शाते हैं कि रणनीति में यह बदलाव एक शक्तिशाली संतुलन प्रदान करता है। केवल इन अमूर्त सारांशों और सांख्यिकीय औसत का आदान-प्रदान करके, सिस्टम पूर्ण मॉडल अपडेट भेजने की भारी संचार लागतों से बच जाता है। अधिक महत्वपूर्ण बात यह है कि यह उस प्रत्यक्ष लिंक को हटा देता है जिसका हमलावर अक्सर फायदा उठाते हैं। प्रयोगों में, जब शोधकर्ताओं ने एक हमले का अनुकरण किया जहाँ एक सर्वर ने प्रशिक्षण डेटा को रिवर्स-इंजीनियर करने की कोशिश की, तो नए तरीके ने लगातार ऐसे परिणाम दिए जो मानक तरीकों की तुलना में मूल डेटा से बहुत दूर थे। पुनर्गठित डेटा न केवल थोड़ा अलग था; बल्कि यह अक्सर मूल इनपुट की तुलना में अपरिचित था। यह सुरक्षा तब भी बनी रही जब इसकी तुलना अन्य उन्नत गोपनीयता तकनीकों से की गई जो डेटा में शोर (noise) जोड़ती हैं, जो कुछ सेटिंग्स में डेटा के पुनर्निर्माण को रोकने में विफल रही थीं। नया तरीका सभी परीक्षित परिदृश्यों में स्थिर और प्रभावी रहा।

सुरक्षा के अलावा, यह विधि अपने प्राथमिक कार्य: विसंगतियों (anomalies) का पता लगाने में अत्यधिक प्रभावी साबित हुई। उन परिदृश्यों में जहाँ सिस्टम को दुर्लभ या असामान्य घटनाओं, जैसे कि औद्योगिक मशीन में खराबी या धोखाधड़ी वाले बैंक लेनदेन की पहचान करने की आवश्यकता होती है, इस नए दृष्टिकोण ने सात में से पाँच डेटासेट्स में मानक पद्धति की तुलना में उच्च सटीकता प्राप्त की। इसने अन्य परिष्कृत फेडरेटेड लर्निंग तकनीकों के प्रदर्शन के बराबर या उससे बेहतर प्रदर्शन किया, जबकि संचार संसाधनों के एक अंश का ही उपयोग किया। शोधकर्ताओं ने उल्लेख किया कि यह विधि तब भी अच्छी तरह काम करती है जब डेटा विभिन्न उपकरणों के बीच पूरी तरह से संतुलित नहीं होता है, जो वास्तविक दुनिया के अनुप्रयोगों में एक सामान्य चुनौती है। संचार लागत और डेटा रिसाव के जोखिम को भारी रूप से कम करते हुए उच्च सटीकता बनाए रखने की क्षमता, संवेदनशील वातावरण में सुरक्षित, सहयोगात्मक बुद्धिमत्ता को तैनात करने के लिए एक व्यावहारिक मार्ग का सुझाव देती है।

अध्ययन ने इसके सैद्धांतिक आधारों की भी खोज की, जिससे यह स्पष्ट हुआ कि सर्वर का डेटा का दृश्य मौलिक रूप से सीमित है। क्योंकि सर्वर केवल अमूर्त कोड देखता है न कि मूल चित्र या संख्याएं, इसलिए वह यह अनन्य रूप से निर्धारित नहीं कर सकता कि मूल डेटा कैसा दिखता था। कई संभावित मूल इनपुट हो सकते हैं जो एक ही अमूर्त कोड उत्पन्न कर सकते हैं, जिससे हमलावर के लिए यह निश्चित होना असंभव हो जाता है कि उसने सही निजी रिकॉर्ड को सफलतापूर्वक प्राप्त कर लिया है। यह गणितीय गुण डेटा को छिपाने से परे सुरक्षा की एक परत प्रदान करता है; यह साझा की जा रही जानकारी की प्रकृति को ही बदल देता है ताकि मूल रहस्य प्रभावी रूप से अनुवाद में खो जाएं।

अंत में, यह कार्य आर्टिफिशियल इंटेलिजेंस की एक निरंतर समस्या का ठोस समाधान प्रदान करता है: किसी भी एक की गोपनीयता से समझौता किए बिना कई स्रोतों से कैसे सीखा जाए। जटिल मॉडल ब्लूप्रिंट के आदान-प्रदान को सरल, अमूर्त सारांशों के साझाकरण से बदलकर, शोधकर्ताओं ने एक ऐसा सिस्टम बनाया है जो अधिक सुरक्षित और अधिक कुशल दोनों है। निष्कर्ष बताते हैं कि उन अनुप्रयोगों के लिए जहाँ डेटा गोपनीयता सर्वोपरि है, जैसे कि स्वास्थ्य सेवा या वित्त, एक व्यवहारिक विकल्प मौजूद है जिसके लिए प्रदर्शन का बलिदान देने की आवश्यकता नहीं है। यह विधि इस बात का प्रमाण है कि सावधानीपूर्वक डिज़ाइन के साथ, सहयोग, दक्षता और गोपनीयता के लक्ष्यों को एक साथ प्राप्त किया जा सकता है, जिससे मशीनें एक-दूसरे के रहस्यों को देखे बिना एक साथ सीख सकती हैं।