Online Federated Learning
Online Federated Learning (OFL) kombinerer den privatlivsbevarende, decentraliserede struktur af fødereret læring med den sekventielle, sample-for-sample opdateringsmekanisme fra online læring. Klienter — såsom mobile enheder eller edge-sensorer — modtager en global model, opdaterer den på nyankomne lokale data uden at dele rå observationer, og bidrager med komprimerede opdateringer til en central server, der aggregerer dem i næsten realtid.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Online Federated Learning (Sequential Distributed Learning without Centralised Data). ScholarGate. https://scholargate.app/da/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.
- Differential PrivacyPrivatlivsbeskyttelse↔ compare
- Fødereret læringPrivatlivsbeskyttelse↔ compare
- Online læringMaskinlæring↔ compare
- Stokastisk gradientnedstigning (SGD)Maskinlæring↔ compare
- OverførselslæringMaskinlæring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →