Online føderert læring
Online føderert læring (OFL) kombinerer den personvernbeskyttende, desentraliserte strukturen til føderert læring med den sekvensielle, utdaterte oppdateringsmekanismen til online læring. Klienter — som mobile enheter eller kant-sensorer — mottar en global modell, oppdaterer den på nylig ankomne lokale data uten å dele rå observasjoner, og bidrar med komprimerte oppdateringer til en sentral server som aggregerer dem i nær sanntid.
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
- 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 ↗
Slik siterer du denne siden
ScholarGate. (2026, June 3). Online Federated Learning (Sequential Distributed Learning without Centralised Data). ScholarGate. https://scholargate.app/no/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.
- Differensielt personvernPersonvern↔ compare
- Føderert læringPersonvern↔ compare
- Online læringMaskinlæring↔ compare
- Stokastisk gradientnedstigning (SGD)Maskinlæring↔ compare
- OverføringslæringMaskinlæring↔ compare
Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →