Online Federated Learning
Az Online Federated Learning (OFL) a federated learning adatvédelmet szem előtt tartó, decentralizált struktúráját ötvözi az online tanulás szekvenciális, mintánkénti frissítési mechanizmusával. Az ügyfelek – például mobil eszközök vagy peremszenzorok – globális modellt kapnak, frissítik azt az érkező helyi adatokon anélkül, hogy az eredeti megfigyeléseket megosztanák, és tömörített frissítéseket küldenek egy központi szervernek, amely szinte valós időben összesíti azokat.
A teljes módszer elolvasása
Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.
Method map
The neighbourhood of related methods — select a node to explore.
Források
- 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 ↗
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 3). Online Federated Learning (Sequential Distributed Learning without Centralised Data). ScholarGate. https://scholargate.app/hu/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.
- Differenciális adatvédelemAdatvédelem↔ compare
- Federated LearningAdatvédelem↔ compare
- Online tanulásGépi tanulás↔ compare
- Sztochasztikus gradiens leszúrás (SGD)Gépi tanulás↔ compare
- Transzfer tanulásGépi tanulás↔ compare
Hivatkozik rá
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →