Federacyjne Uczenie Zespołowe
Uczące się zespoły w uczeniu federacyjnym łączą ochronę prywatności charakterystyczną dla uczenia federacyjnego z agregacją zespołową: każdy uczestniczący klient trenuje swój lokalny model na prywatnych danych, a serwer agreguje predykcje — lub parametry modelu — od wszystkich klientów, wykorzystując strategie zespołowe, takie jak głosowanie, uśrednianie lub stosowanie, zamiast prostego uśredniania parametrów.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
Źródła
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Ensemble Federated Learning (Federated Ensemble Aggregation). ScholarGate. https://scholargate.app/pl/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 (agregacja bootstrapowa)Uczenie maszynowe↔ compare
- WzmocnienieUczenie maszynowe↔ compare
- Uczenie federacyjnePrywatność↔ compare
- StackingUczenie maszynowe↔ compare
- Uczenie transferoweUczenie maszynowe↔ compare
- Ensemble głosującyUczenie maszynowe↔ compare
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →