Ця стаття пропонує фреймворк федеративного навчання зі збереженням конфіденційності для розподіленої оптимізації хімічних процесів, що дозволяє спільне навчання моделей на кількох географічно розділених заводах без обміну вихідними даними. Фреймворк значно покращує точність прогнозування на всіх заводах і пропонує масштабоване рішення для конфіденційного промислового аналізу.