Online Federated Learning
Online Federated Learning (OFL) kombinuje strukturu federated learningu, která chrání soukromí a je decentralizovaná, s režimem sekvenčních aktualizací vzorek po vzorku z online učení. Klienti — jako jsou mobilní zařízení nebo okrajové senzory — obdrží globální model, aktualizují jej na nově příchozích lokálních datech bez sdílení surových pozorování a přispívají komprimovanými aktualizacemi centrálnímu serveru, který je agreguje v téměř reálném čase.
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
- 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 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Online Federated Learning (Sequential Distributed Learning without Centralised Data). ScholarGate. https://scholargate.app/cs/machine-learning/online-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.
- Diferenciální soukromíSoukromí↔ compare
- Federované učeníSoukromí↔ compare
- Online LearningStrojové učení↔ compare
- Stochastický gradientní sestup (SGD)Strojové učení↔ compare
- Přenosové učeníStrojové učení↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →