Mrežno federirano učenje
Online Federated Learning (OFL) kombinira decentraliziranu strukturu federated learninga koja čuva privatnost s režimom ažuriranja uzorka po uzorku online učenja. Klijenti — poput mobilnih uređaja ili rubnih senzora — primaju globalni model, ažuriraju ga na novopristiglim lokalnim podacima bez dijeljenja sirovih opažanja i doprinose komprimiranim ažuriranjima centralnom poslužitelju koji ih agregira u gotovo stvarnom vremenu.
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
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Online Federated Learning (Sequential Distributed Learning without Centralised Data). ScholarGate. https://scholargate.app/hr/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.
- Diferencijalna privatnostPrivatnost↔ compare
- Federalizirano učenjePrivatnost↔ compare
- Mrežno učenjeStrojno učenje↔ compare
- Stochastic Gradient Descent (SGD)Strojno učenje↔ compare
- Prijenosno učenjeStrojno učenje↔ compare
Citirana u
Uočili ste pogrešku na ovoj stranici? Prijavite je ili predložite ispravak →