Uczenie Federacyjne Online
Uczenie Federacyjne Online (OFL) łączy strukturę uczenia federacyjnego, chroniącą prywatność i zdecentralizowaną, z reżimem aktualizacji sekwencyjnych, próbka po próbce, charakterystycznym dla uczenia online. Klienci — tacy jak urządzenia mobilne czy czujniki brzegowe — otrzymują globalny model, aktualizują go na podstawie nowo napływających danych lokalnych bez udostępniania surowych obserwacji i przesyłają skompresowane aktualizacje do centralnego serwera, który agreguje je w czasie zbliżonym do rzeczywistego.
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
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Online Federated Learning (Sequential Distributed Learning without Centralised Data). ScholarGate. https://scholargate.app/pl/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.
- Prywatność różnicowaPrywatność↔ compare
- Uczenie federacyjnePrywatność↔ compare
- Uczenie onlineUczenie maszynowe↔ compare
- Stochastyczne spuszczanie gradientu (SGD)Uczenie maszynowe↔ compare
- Uczenie transferoweUczenie maszynowe↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →