Ensemble Federated Learning
Ensemble Federated Learning ühendab federated learningu privaatsust säilitava jaotuse ensemble-agregeerimisega: iga osalev klient treenib oma kohalikku mudelit privaatsete andmete peal ning server agregeerib ennustusi – või mudeliparameetreid – kõigilt klientidelt ensemble-strateegiate abil, nagu näiteks hääletamine, keskmistamine või virnastamine, mitte ainult lihtsa parameetrite keskmistamise abil.
Loe meetodi täielikku kirjeldust
Selle osa lugemiseks logi sisse tasuta kontoga.
Method map
The neighbourhood of related methods — select a node to explore.
Allikad
- 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 ↗
Kuidas sellele lehele viidata
ScholarGate. (2026, June 3). Ensemble Federated Learning (Federated Ensemble Aggregation). ScholarGate. https://scholargate.app/et/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)Masinõpe↔ compare
- BoostingMasinõpe↔ compare
- Föderaallne õppiminePrivaatsus↔ compare
- VirnastamineMasinõpe↔ compare
- ÜlekandeõpeMasinõpe↔ compare
- HääletusansambelMasinõpe↔ compare
Märkasid sellel lehel viga? Teata sellest või paku parandust →