Apprendimento Federato Online
L'Apprendimento Federato Online (OFL) combina la struttura decentralizzata e orientata alla privacy dell'apprendimento federato con il regime di aggiornamento sequenziale, campione per campione, dell'apprendimento online. I client — come dispositivi mobili o sensori edge — ricevono un modello globale, lo aggiornano su dati locali appena arrivati senza condividere osservazioni grezze e contribuiscono con aggiornamenti compressi a un server centrale che li aggrega quasi in tempo reale.
Leggi il metodo completo
Accedi con un account gratuito per leggere questa sezione.
Method map
The neighbourhood of related methods — select a node to explore.
Fonti
- 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 ↗
Come citare questa pagina
ScholarGate. (2026, June 3). Online Federated Learning (Sequential Distributed Learning without Centralised Data). ScholarGate. https://scholargate.app/it/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.
- Privacy DifferenzialePrivacy↔ compare
- Federated LearningPrivacy↔ compare
- Apprendimento OnlineApprendimento automatico↔ compare
- Discesa del Gradiente Stocastico (SGD)Apprendimento automatico↔ compare
- Apprendimento per trasferimentoApprendimento automatico↔ compare
Citato da
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →