Hajautettu oppiminen
Hajautettu oppiminen on hajautettu koneoppimisen paradigma, jonka McMahan et al. esittelivät vuonna 2017. Siinä globaalia mallia koulutetaan yhteistyössä useiden hajautettujen asiakkaiden – kuten mobiililaitteiden tai sairaalajärjestelmien – välillä ilman, että raakadataa koskaan siirretään keskitettyyn palvelimeen. Jokainen osallistuja laskee mallipäivitykset paikallisesti käyttäen yksityistä dataansa; vain nämä päivitykset, eivät taustalla oleva data, välitetään ja aggregoidaan palvelimella jaettua mallia parantamaan.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
+4 more
Lähteet
- 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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 2). Federated Learning. ScholarGate. https://scholargate.app/fi/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.
- Differentiaalinen yksityisyysYksityisyydensuoja↔ compare
- Tietämyksen tislausSyväoppiminen↔ compare
- Stokastinen gradienttimenetelmä (SGD)Koneoppiminen↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →