• catastrophic forget
• client drift
• Continual Learning
• Federated Learning
• Machine Learning

Recentemente, gli avanzamenti fatti nell'Intelligenza Artificiale hanno portato a sistemi in grado di risolvere autonomamente problemi che sembravano impossibili senza l'utilizzo di un essere umano fino a pochi anni prima, facilitando la vita di tanti, in molti campi diversi.
In particolare, i campi del Continual Learning e del Federated Learning, due paradigmi fondamentali nel campo del machine learning, puntano ad incrementare le capacità dei sistemi di intelligenza artificiale permettendogli di apprendere continuamente e collaborativamente, attraverso risorse decentralizzate. Mentre la nostra società diventa sempre più dipendente da applicazioni AI, come veicoli a guida autonoma, diagnostica in ambito sanitario e suggerimenti personalizzati, la domanda di modelli che possono adattarsi a nuova conoscenza e di soluzioni che preservino la privacy è diventata più impellente che mai. Tuttavia, questi task possono già risultare problematici se considerati singolarmente, diventandolo ancora di più se considerati assieme, con i problemi del catastrophic forgetting e del clients drift causati rispettivamente dal continual e dal federated learning. In questo documento, approfondiremo quello che è ancora un campo poco studiato, il Federated Continual Learning (FCL), proponendo un nuovo metodo, FCPrompt, in modo tale da potere creare un sistema che possa efficacemente apprendere in modo continuo e collaborativo.

In recent years, the advancements made in Artificial Intelligence have led to systems capable of autonomously solving tasks that seemed impossible without the use of a human being until a few years before, facilitating the lives of many, in many different fields. In particular, the realms of Continual Learning and Federated Learning, two pivotal paradigms in the field of machine learning, aim to enhance the capabilities of artificial intelligence systems by enabling them to learn continuously and collaboratively across decentralized data sources. As our society becomes increasingly reliant on AI applications, such as autonomous vehicles, healthcare diagnostics and personalized recommendations, the demand for models that can adapt to new knowledge and privacy-preserving solutions has become more pressing than ever. However, these tasks can already be problematic when considered individually, they can be even more so if coupled together, with the catastrophic forgetting and the client drift problems caused by the continual and the federated learning settings respectively. In this work, we will dive into the yet under-investigated field of Federated Continual Learning (FCL), proposing a new method, FCPrompt, in order to build a system that can effectively learn continuously and cooperatively.