Privacy-Preserving Federated Learning Framework for Distributed Chemical Process Optimization

Este artigo propõe uma estrutura de aprendizado federado que preserva a privacidade para otimização de processos químicos distribuídos, superando as restrições de confidencialidade de dados industriais. Permite o treinamento colaborativo de modelos entre instalações, compartilhando apenas parâmetros de modelo de forma segura e mantendo a confidencialidade.