Pembelajaran Federasi Ensemble
Pembelajaran Federasi Ensemble menggabungkan distribusi yang menjaga privasi dari pembelajaran federasi dengan agregasi ensemble: setiap klien yang berpartisipasi melatih model lokalnya sendiri pada data pribadi, dan server mengagregasi prediksi — atau parameter model — dari semua klien menggunakan strategi ensemble seperti pemungutan suara, perataan, atau penumpukan, alih-alih hanya perataan parameter sederhana.
Baca metode selengkapnya
Masuk dengan akun gratis untuk membaca bagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- 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 ↗
Cara menyitasi halaman ini
ScholarGate. (2026, June 3). Ensemble Federated Learning (Federated Ensemble Aggregation). ScholarGate. https://scholargate.app/id/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)Pembelajaran Mesin↔ compare
- BoostingPembelajaran Mesin↔ compare
- Pembelajaran FederasiPrivasi↔ compare
- StackingPembelajaran Mesin↔ compare
- Transfer LearningPembelajaran Mesin↔ compare
- Voting EnsemblePembelajaran Mesin↔ compare
Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →