Aprendizagem Federada Online
A Aprendizagem Federada Online (OFL) combina a estrutura descentralizada e de preservação de privacidade da aprendizagem federada com o regime de atualização sequencial, amostra por amostra, da aprendizagem online. Clientes — como dispositivos móveis ou sensores de ponta — recebem um modelo global, atualizam-no com dados locais recém-chegados sem partilhar observações brutas e contribuem com atualizações comprimidas para um servidor central que as agrega em tempo quase real.
Leia o método completo
Entre com uma conta gratuita para ler esta seção.
Method map
The neighbourhood of related methods — select a node to explore.
Fontes
- 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 ↗
Como citar esta página
ScholarGate. (2026, June 3). Online Federated Learning (Sequential Distributed Learning without Centralised Data). ScholarGate. https://scholargate.app/pt/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.
- Privacidade DiferencialPrivacidade↔ compare
- Aprendizagem FederadaPrivacidade↔ compare
- Aprendizado OnlineAprendizado de máquina↔ compare
- Gradiente Descendente Estocástico (SGD)Aprendizado de máquina↔ compare
- Aprendizagem por TransferênciaAprendizado de máquina↔ compare
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →