Pembelajaran Bersekutu Ensembel
Pembelajaran Bersekutu Ensembel menggabungkan pengedaran pembelajaran bersekutu yang memelihara privasi dengan agregasi ensembel: setiap klien yang mengambil bahagian melatih model tempatannya sendiri pada data peribadi, dan pelayan menggabungkan ramalan — atau parameter model — daripada semua klien menggunakan strategi ensembel seperti pengundian, purata, atau penumpukan, berbanding hanya purata parameter semata-mata.
Baca kaedah sepenuhnya
Log masuk dengan akaun percuma untuk membaca bahagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- 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 ↗
Cara memetik halaman ini
ScholarGate. (2026, June 3). Ensemble Federated Learning (Federated Ensemble Aggregation). ScholarGate. https://scholargate.app/ms/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.
- Bagging (Bootstrap Aggregating)Pembelajaran Mesin↔ compare
- BoostingPembelajaran Mesin↔ compare
- Pembelajaran BersekutuPrivasi↔ compare
- StackingPembelajaran Mesin↔ compare
- Pembelajaran PindahanPembelajaran Mesin↔ compare
- Ensembel UndianPembelajaran Mesin↔ compare
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →