Federalizirano učenje
Federated Learning je distribuirana paradigma strojnog učenja koju su 2017. godine predstavili McMahan et al., a u kojoj se globalni model obučava suradnički na više decentraliziranih klijenata — kao što su mobilni uređaji ili bolnički sustavi — bez prijenosa sirovih podataka na središnji poslužitelj. Svaki sudionik lokalno računa ažuriranja modela koristeći svoje privatne podatke; samo se ta ažuriranja, a ne temeljni podaci, komuniciraju i agregiraju od strane poslužitelja radi poboljšanja zajedničkog modela.
Pročitajte cijelu metodu
Prijavite se besplatnim računom kako biste pročitali ovaj odjeljak.
Method map
The neighbourhood of related methods — select a node to explore.
+4 more
Izvori
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 2). Federated Learning. ScholarGate. https://scholargate.app/hr/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.
- Diferencijalna privatnostPrivatnost↔ compare
- Destilacija znanjaDuboko učenje↔ compare
- Stochastic Gradient Descent (SGD)Strojno učenje↔ compare
Citirana u
Uočili ste pogrešku na ovoj stranici? Prijavite je ili predložite ispravak →