Ensemble Federated Learning
Az Ensemble Federated Learning (együttes szövetségi tanulás) a szövetségi tanulás adatvédelmet megőrző elosztását ötvözi az együttes aggregációval: minden részt vevő kliens saját lokális modellt tanít privát adatokon, a szerver pedig az összes kliens előrejelzéseit – vagy modellparamétereit – aggregálja együttes stratégiák, például szavazás, átlagolás vagy stacking (rétegezés) segítségével, ahelyett, hogy pusztán paraméterátlagolást végezne.
A teljes módszer elolvasása
Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.
Method map
The neighbourhood of related methods — select a node to explore.
Források
- 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 ↗
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 3). Ensemble Federated Learning (Federated Ensemble Aggregation). ScholarGate. https://scholargate.app/hu/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)Gépi tanulás↔ compare
- BoostingGépi tanulás↔ compare
- Federated LearningAdatvédelem↔ compare
- HalmozásGépi tanulás↔ compare
- Transzfer tanulásGépi tanulás↔ compare
- Voting EnsembleGépi tanulás↔ compare
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →