Apprentissage Fédéré
L'apprentissage fédéré est un paradigme d'apprentissage automatique distribué introduit par McMahan et al. en 2017, dans lequel un modèle global est entraîné collaborativement sur plusieurs clients décentralisés — tels que des appareils mobiles ou des systèmes hospitaliers — sans jamais transférer de données brutes vers un serveur central. Chaque participant calcule les mises à jour du modèle localement en utilisant ses données privées ; seules ces mises à jour, et non les données sous-jacentes, sont communiquées et agrégées par le serveur pour améliorer le modèle partagé.
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.
+4 more
Sources
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 2). Federated Learning. ScholarGate. https://scholargate.app/fr/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.
- Confidentialité différentielleProtection de la vie privée↔ compare
- Distillation de connaissancesApprentissage profond↔ compare
- Descente de gradient stochastique (SGD)Apprentissage automatique↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →