Онлайн федеративно обучение
Онлайн федеративното обучение (OFL) съчетава структурата на федеративното обучение, която защитава личните данни и е децентрализирана, с режима на последователно обновяване на модела при постъпване на данни една по една от онлайн обучението. Клиентите — като мобилни устройства или периферни сензори — получават глобален модел, обновяват го с новопостъпили локални данни, без да споделят сурови наблюдения, и допринасят с компресирани актуализации към централен сървър, който ги агрегира в почти реално време.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Карта на методите
Обкръжението на сродните методи — изберете възел, за да го разгледате.
Източници
- Damaskinos, G., Guerraoui, R., Kermarrec, A.-M., Guirguis, A., Riviere, M., & Tempo, R. (2020). FLEET: Flexible and Efficient Federated Learning for Edge AI. Proceedings of Machine Learning and Systems (MLSys). link ↗
- McMahan, B., Moore, E., Ramage, D., Hampson, S., & Aguera y Arcas, B. (2017). Communication-Efficient Learning of Deep Networks from Decentralized Data. Proceedings of the 20th International Conference on Artificial Intelligence and Statistics (AISTATS), 54, 1273–1282. link ↗
Как да цитирате тази страница
ScholarGate. (2026, June 3). Online Federated Learning (Sequential Distributed Learning without Centralised Data). ScholarGate. https://scholargate.app/bg/machine-learning/online-federated-learning
Кой метод?
Поставете този метод до най-близките му сродни методи и ги четете едно до друго — библиотеката полага книгите на масата; изборът е ваш.
- Диференциална поверителностПоверителност↔ сравняване
- Федеративно ученеПоверителност↔ сравняване
- Онлайн обучениеМашинно обучение↔ сравняване
- Стохастичен градиентен спусък (SGD)Машинно обучение↔ сравняване
- Трансферно обучениеМашинно обучение↔ сравняване
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →