Ensemble Federated Learning
Ensemble Federated Learning kombinuje distribuci federovaného učení s ochranou soukromí s agregací souborů metod: každý zúčastněný klient trénuje svůj vlastní lokální model na soukromých datech a server agreguje predikce — nebo parametry modelu — od všech klientů pomocí strategií souborů metod, jako je hlasování, průměrování nebo skládání (stacking), namísto pouhého průměrování parametrů.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- McMahan, H. B., Moore, E., Ramage, D., Hampson, S., & y Arcas, B. A. (2017). Communication-efficient learning of deep networks from decentralized data. In Proceedings of the 20th International Conference on Artificial Intelligence and Statistics (AISTATS), PMLR 54, 1273–1282. link ↗
- Chen, Y., Qin, X., Wang, J., Yu, C., & Gao, W. (2021). FedHealth: A federated transfer learning framework for wearable healthcare. IEEE Intelligent Systems, 35(4), 83–93. DOI: 10.1109/MIS.2020.2988604 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Ensemble Federated Learning (Federated Ensemble Aggregation). ScholarGate. https://scholargate.app/cs/machine-learning/ensemble-federated-learning
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Bagging (Bootstrap Aggregating)Strojové učení↔ compare
- ZesilováníStrojové učení↔ compare
- Federované učeníSoukromí↔ compare
- StackingStrojové učení↔ compare
- Přenosové učeníStrojové učení↔ compare
- Hlasovací ansámblStrojové učení↔ compare
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →