Federatīvā apmācība
Federatīvā apmācība (Federated Learning) ir izkliedēta mašīnmācīšanās paradigma, ko 2017. gadā ieviesa McMahan et al., un kurā globāls modelis tiek kopīgi apmācīts vairākos decentralizētos klientos — piemēram, mobilajās ierīcēs vai slimnīcu sistēmās — nekad nepārsūtot neapstrādātus datus uz centrālo serveri. Katrs dalībnieks lokāli aprēķina modeļa atjauninājumus, izmantojot savus privātos datus; tikai šie atjauninājumi, nevis pamatā esošie dati, tiek paziņoti un apkopoti serverī, lai uzlabotu kopīgo modeli.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
+4 more
Avoti
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 2). Federated Learning. ScholarGate. https://scholargate.app/lv/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.
- Diferenciālā privātumsPrivātums↔ compare
- Zināšanu destilācijaDziļā mācīšanās↔ compare
- Stohastiskā gradienta metode (SGD)Mašīnmācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →