Apprentissage Fédéré en Ligne
L'Apprentissage Fédéré en Ligne (OFL) combine la structure décentralisée et respectueuse de la vie privée de l'apprentissage fédéré avec le régime de mise à jour séquentiel, échantillon par échantillon, de l'apprentissage en ligne. Les clients — tels que les appareils mobiles ou les capteurs périphériques — reçoivent un modèle global, le mettent à jour sur les données locales nouvellement arrivées sans partager d'observations brutes, et contribuent des mises à jour compressées à un serveur central qui les agrège en quasi temps réel.
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
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Online Federated Learning (Sequential Distributed Learning without Centralised Data). ScholarGate. https://scholargate.app/fr/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.
- Confidentialité différentielleProtection de la vie privée↔ compare
- Apprentissage FédéréProtection de la vie privée↔ compare
- Apprentissage en ligneApprentissage automatique↔ compare
- Descente de gradient stochastique (SGD)Apprentissage automatique↔ compare
- Apprentissage par transfertApprentissage automatique↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →