Ensemble Federated Learning
Ensemble Federated Learning kombiniert die datenschutzwahrende Verteilung des Federated Learning mit Ensemble-Aggregation: Jeder teilnehmende Client trainiert sein eigenes lokales Modell auf privaten Daten, und der Server aggregiert Vorhersagen – oder Modellparameter – von allen Clients unter Verwendung von Ensemble-Strategien wie Voting, Mittelwertbildung oder Stacking, anstatt nur einer einfachen Parameter-Mittelwertbildung.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Ensemble Federated Learning (Federated Ensemble Aggregation). ScholarGate. https://scholargate.app/de/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)Maschinelles Lernen↔ compare
- BoostingMaschinelles Lernen↔ compare
- Föderiertes LernenDatenschutz↔ compare
- StackingMaschinelles Lernen↔ compare
- Transfer LearningMaschinelles Lernen↔ compare
- Voting EnsembleMaschinelles Lernen↔ compare
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →