Ensemble Federated Learning
Ensemble Federated Learning kombinira distribuciju federated learninga koja čuva privatnost s agregacijom ansambla: svaki sudjelujući klijent trenira vlastiti lokalni model na privatnim podacima, a poslužitelj agregira predikcije — ili parametre modela — sa svih klijenata koristeći strategije ansambla kao što su glasovanje, prosječenje ili slaganje, umjesto samog jednostavnog prosječenja parametara.
Pročitajte cijelu metodu
Prijavite se besplatnim računom kako biste pročitali ovaj odjeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Ensemble Federated Learning (Federated Ensemble Aggregation). ScholarGate. https://scholargate.app/hr/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)Strojno učenje↔ compare
- BoostingStrojno učenje↔ compare
- Federalizirano učenjePrivatnost↔ compare
- SlaganjeStrojno učenje↔ compare
- Prijenosno učenjeStrojno učenje↔ compare
- Glasački sklopStrojno učenje↔ compare
Uočili ste pogrešku na ovoj stranici? Prijavite je ili predložite ispravak →