Pembelajaran Federasi
Pembelajaran Federasi adalah paradigma pembelajaran mesin terdistribusi yang diperkenalkan oleh McMahan dkk. pada tahun 2017 di mana model global dilatih secara kolaboratif di berbagai klien terdesentralisasi — seperti perangkat seluler atau sistem rumah sakit — tanpa pernah mentransfer data mentah ke server pusat. Setiap peserta menghitung pembaruan model secara lokal menggunakan data pribadinya; hanya pembaruan tersebut, bukan data yang mendasarinya, yang dikomunikasikan dan diagregasi oleh server untuk meningkatkan model bersama.
Baca metode selengkapnya
Masuk dengan akun gratis untuk membaca bagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
+4 more
Sumber
- 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 ↗
Cara menyitasi halaman ini
ScholarGate. (2026, June 2). Federated Learning. ScholarGate. https://scholargate.app/id/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.
- Privasi DiferensialPrivasi↔ compare
- Distilasi PengetahuanPembelajaran Mendalam↔ compare
- Stochastic Gradient Descent (SGD)Pembelajaran Mesin↔ compare
Dirujuk oleh
Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →