Online Gefedereerde Leren
Online Federated Learning (OFL) combineert de privacy-beschermende, gedecentraliseerde structuur van federated learning met het sequentiële, steekproef-per-steekproef update-regime van online learning. Clients — zoals mobiele apparaten of edge-sensoren — ontvangen een globaal model, werken dit bij op nieuw binnenkomende lokale data zonder ruwe observaties te delen, en dragen gecomprimeerde updates bij aan een centrale server die deze in bijna real-time aggregeert.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
Bronnen
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Online Federated Learning (Sequential Distributed Learning without Centralised Data). ScholarGate. https://scholargate.app/nl/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.
- Differentiële PrivacyPrivacy↔ compare
- Federated LearningPrivacy↔ compare
- Online LerenMachine learning↔ compare
- Stochastische Gradiëntdaling (SGD)Machine learning↔ compare
- TransferlerenMachine learning↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →