Tiešsaistes federatīvā apmācība
Tiešsaistes federatīvā apmācība (OFL) apvieno federatīvās apmācības privātumu aizsargājošo, decentralizēto struktūru ar tiešsaistes apmācības secīgo, paraugu pa paraugam atjaunināšanas režīmu. Klienti — piemēram, mobilās ierīces vai malu sensori — saņem globālo modeli, atjaunina to ar jaunākajiem lokālajiem datiem, neizpaužot neapstrādātus novērojumus, un nodod saspiestus atjauninājumus centrālajam serverim, kas tos apkopo gandrīz reāllaikā.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Online Federated Learning (Sequential Distributed Learning without Centralised Data). ScholarGate. https://scholargate.app/lv/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.
- Diferenciālā privātumsPrivātums↔ compare
- Federatīvā apmācībaPrivātums↔ compare
- Tiešsaistes apguveMašīnmācīšanās↔ compare
- Stohastiskā gradienta metode (SGD)Mašīnmācīšanās↔ compare
- Pārneses apmācībaMašīnmācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →