یادگیری فدرال ترکیبی
یادگیری فدرال ترکیبی، توزیع حفظکننده حریم خصوصی یادگیری فدرال را با تجمیع ترکیبی ترکیب میکند: هر کلاینت شرکتکننده مدل محلی خود را بر روی دادههای خصوصی آموزش میدهد و سرور پیشبینیها — یا پارامترهای مدل — را از همه کلاینتها با استفاده از استراتژیهای ترکیبی مانند رأیگیری، میانگینگیری، یا انباشتگی (stacking)، به جای میانگینگیری ساده پارامترها، تجمیع میکند.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
منابع
- 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 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Ensemble Federated Learning (Federated Ensemble Aggregation). ScholarGate. https://scholargate.app/fa/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.
- بگینگ (تجمیع بوتاسترپ)یادگیری ماشین↔ compare
- بوستینگیادگیری ماشین↔ compare
- یادگیری فدرالحریم خصوصی↔ compare
- چیدمانیادگیری ماشین↔ compare
- یادگیری انتقالییادگیری ماشین↔ compare
- مجموعه رأیگیرییادگیری ماشین↔ compare
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →