Pembelajaran Federasi Daring
Pembelajaran Federasi Daring (OFL) menggabungkan struktur terdesentralisasi yang menjaga privasi dari pembelajaran federasi dengan rezim pembaruan sekuensial, sampel demi sampel dari pembelajaran daring. Klien — seperti perangkat seluler atau sensor tepi — menerima model global, memperbaruinya pada data lokal yang baru tiba tanpa membagikan observasi mentah, dan menyumbangkan pembaruan terkompresi ke server pusat yang mengagregasinya dalam waktu hampir nyata.
Baca metode selengkapnya
Masuk dengan akun gratis untuk membaca bagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- 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 ↗
Cara menyitasi halaman ini
ScholarGate. (2026, June 3). Online Federated Learning (Sequential Distributed Learning without Centralised Data). ScholarGate. https://scholargate.app/id/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.
- Privasi DiferensialPrivasi↔ compare
- Pembelajaran FederasiPrivasi↔ compare
- Pembelajaran DaringPembelajaran Mesin↔ compare
- Stochastic Gradient Descent (SGD)Pembelajaran Mesin↔ compare
- Transfer LearningPembelajaran Mesin↔ compare
Dirujuk oleh
Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →