یادگیری فدرال
یادگیری فدرال (Federated Learning) یک پارادایم یادگیری ماشین توزیعشده است که در سال ۲۰۱۷ توسط McMahan و همکاران معرفی شد. در این روش، یک مدل سراسری به صورت مشارکتی در میان چندین کلاینت غیرمتمرکز – مانند دستگاههای موبایل یا سیستمهای بیمارستانی – آموزش داده میشود، بدون اینکه دادههای خام به یک سرور مرکزی منتقل شوند. هر شرکتکننده بهصورت محلی با استفاده از دادههای خصوصی خود، بهروزرسانیهای مدل را محاسبه میکند؛ تنها این بهروزرسانیها، نه دادههای زیربنایی، توسط سرور برای بهبود مدل مشترک، منتقل و تجمیع میشوند.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
+4 more
منابع
- McMahan, B., Moore, E., Ramage, D., Hampson, S., & Arcas, B. A. (2017). Communication-efficient learning of deep networks from decentralized data. Artificial Intelligence and Statistics, 1273–1282. link ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 2). Federated Learning. ScholarGate. https://scholargate.app/fa/privacy/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.
- حریم خصوصی تفاضلیحریم خصوصی↔ compare
- تقطیر دانش (Knowledge Distillation)یادگیری عمیق↔ compare
- کاهش گرادیان تصادفی (SGD)یادگیری ماشین↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →