Aprendizaje Federado en Línea
El Aprendizaje Federado en Línea (OFL) combina la estructura descentralizada y de preservación de la privacidad del aprendizaje federado con el régimen de actualización secuencial, muestra por muestra, del aprendizaje en línea. Los clientes —como dispositivos móviles o sensores de borde— reciben un modelo global, lo actualizan con los datos locales recién llegados sin compartir observaciones en bruto, y contribuyen con actualizaciones comprimidas a un servidor central que las agrega casi en tiempo real.
Leer el método completo
Inicia sesión con una cuenta gratuita para leer esta sección.
Method map
The neighbourhood of related methods — select a node to explore.
Fuentes
- 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 ↗
Cómo citar esta página
ScholarGate. (2026, June 3). Online Federated Learning (Sequential Distributed Learning without Centralised Data). ScholarGate. https://scholargate.app/es/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.
- Privacidad diferencialPrivacidad↔ compare
- Aprendizaje FederadoPrivacidad↔ compare
- Aprendizaje en líneaAprendizaje automático↔ compare
- Descenso de Gradiente Estocástico (SGD)Aprendizaje automático↔ compare
- Aprendizaje por transferenciaAprendizaje automático↔ compare
Citado por
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →