Das Tutorial auf MarkTechPost führt praxisnah durch den Aufbau eines Federated-Learning-Experiments mit NVIDIA FLARE. Im Mittelpunkt steht der Vergleich zweier Algorithmen: FedAvg, dem klassischen Federated-Averaging-Ansatz, und FedProx, das durch einen Proximalterm die lokalen Modelle näher am globalen Modell hält und so mit ungleich verteilten Daten besser umgeht. Die Client-Daten werden mittels Dirichlet-Verteilung aufgeteilt, um reale Label-Imbalances über mehrere Federated Sites hinweg zu simulieren – ein typisches Problem in der Praxis, etwa bei medizinischen oder industriellen Anwendungen. Für die Implementierung kommt die NVFlare Job API zum Einsatz, über die Federated Jobs definiert und gestartet werden. Das Tutorial richtet sich an Entwickler und Forscher, die Federated-Learning-Pipelines mit NVIDIA FLARE aufsetzen und algorithmische Unterschiede unter realistischen Bedingungen evaluieren möchten.