Ensemble føderert læring
Ensemble føderert læring kombinerer den personvernsbevarende distribusjonen av føderert læring med ensemble-aggregering: hver deltakende klient trener sin egen lokale modell på private data, og serveren aggregerer prediksjoner — eller modellparametere — fra alle klienter ved hjelp av ensemblestrategier som avstemning, gjennomsnittsberegning eller stabling, i stedet for enkel parametergjennomsnittsberegning alene.
Les hele metoden
Logg inn med en gratis konto for å lese denne delen.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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 ↗
Slik siterer du denne siden
ScholarGate. (2026, June 3). Ensemble Federated Learning (Federated Ensemble Aggregation). ScholarGate. https://scholargate.app/no/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)Maskinlæring↔ compare
- BoostingMaskinlæring↔ compare
- Føderert læringPersonvern↔ compare
- StackingMaskinlæring↔ compare
- OverføringslæringMaskinlæring↔ compare
- StemmeensembleMaskinlæring↔ compare
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →