Apprentissage Fédéré en Ensemble
L'apprentissage fédéré en ensemble combine la distribution préservant la confidentialité de l'apprentissage fédéré avec l'agrégation en ensemble : chaque client participant entraîne son propre modèle local sur des données privées, et le serveur agrège les prédictions — ou les paramètres du modèle — de tous les clients en utilisant des stratégies d'ensemble telles que le vote, la moyenne ou l'empilement (stacking), au lieu du simple moyennage des paramètres.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Ensemble Federated Learning (Federated Ensemble Aggregation). ScholarGate. https://scholargate.app/fr/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)Apprentissage automatique↔ compare
- BoostingApprentissage automatique↔ compare
- Apprentissage FédéréProtection de la vie privée↔ compare
- EmpilementApprentissage automatique↔ compare
- Apprentissage par transfertApprentissage automatique↔ compare
- Ensemble par voteApprentissage automatique↔ compare
Une erreur sur cette page ? Signalez-la ou proposez une correction →