Online Federated Learning
Online Federated Learning (OFL) kombiniert die datenschutzwahrende, dezentrale Struktur des föderierten Lernens mit dem sequenziellen, stichprobenweisen Aktualisierungsregime des Online-Lernens. Clients – wie mobile Geräte oder Edge-Sensoren – empfangen ein globales Modell, aktualisieren es mit neu eintreffenden lokalen Daten, ohne Rohdaten zu teilen, und tragen komprimierte Updates zu einem zentralen Server bei, der diese nahezu in Echtzeit aggregiert.
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
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Online Federated Learning (Sequential Distributed Learning without Centralised Data). ScholarGate. https://scholargate.app/de/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.
- Differenzielle PrivatheitDatenschutz↔ compare
- Föderiertes LernenDatenschutz↔ compare
- Online-LernenMaschinelles Lernen↔ compare
- Stochastischer Gradientenabstieg (SGD)Maschinelles Lernen↔ compare
- Transfer LearningMaschinelles Lernen↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →