Machine learningMachine learning
앙상블 연합 학습
앙상블 연합 학습은 연합 학습의 개인 정보 보호 분산 방식과 앙상블 취합을 결합합니다. 각 참여 클라이언트는 개인 데이터에 대해 자체 로컬 모델을 학습시키고, 서버는 단순한 파라미터 평균화만 사용하는 대신 투표, 평균, 스태킹과 같은 앙상블 전략을 사용하여 모든 클라이언트로부터 예측 또는 모델 파라미터를 취합합니다.
방법 전문 읽기
회원 전용
로그인무료 계정으로 로그인하면 이 섹션을 읽을 수 있습니다.
Method map
The neighbourhood of related methods — select a node to explore.
출처
- 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 ↗
이 페이지 인용 방법
ScholarGate. (2026, June 3). Ensemble Federated Learning (Federated Ensemble Aggregation). ScholarGate. https://scholargate.app/ko/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.
- 배깅 (Bootstrap Aggregating)머신러닝↔ compare
- 부스팅머신러닝↔ compare
- 연합 학습프라이버시↔ compare
- 적층머신러닝↔ compare
- 전이 학습머신러닝↔ compare
- Voting Ensemble머신러닝↔ compare