Online-hajautettu oppiminen
Online-hajautettu oppiminen (OFL) yhdistää hajautetun oppimisen yksityisyyttä suojaavan, desentralisoidun rakenteen online-oppimisen sekventiaaliseen, näyte-kohtaisesti päivittyvään järjestelmään. Asiakkaat – kuten mobiililaitteet tai reunalaitteiden sensorit – vastaanottavat globaalin mallin, päivittävät sen uusilla paikallisilla tiedoilla jakamatta raakoja havaintoja ja lähettävät pakattuja päivityksiä keskuspalvelimelle, joka yhdistää ne lähes reaaliaikaisesti.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- 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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Online Federated Learning (Sequential Distributed Learning without Centralised Data). ScholarGate. https://scholargate.app/fi/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.
- Differentiaalinen yksityisyysYksityisyydensuoja↔ compare
- Hajautettu oppiminenYksityisyydensuoja↔ compare
- Online-oppiminenKoneoppiminen↔ compare
- Stokastinen gradienttimenetelmä (SGD)Koneoppiminen↔ compare
- Siirto-oppiminenKoneoppiminen↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →