Învățare Federativă de Ansamblu
Învățarea Federativă de Ansamblu combină distribuția cu conservarea confidențialității a învățării federative cu agregarea de ansamblu: fiecare client participant își antrenează propriul model local pe date private, iar serverul agregă predicțiile — sau parametrii modelului — de la toți clienții utilizând strategii de ansamblu precum votarea, medierea sau stacking-ul, în loc de simpla mediere a parametrilor.
Citește metoda completă
Autentifică-te cu un cont gratuit pentru a citi această secțiune.
Method map
The neighbourhood of related methods — select a node to explore.
Surse
- 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 ↗
Cum se citează această pagină
ScholarGate. (2026, June 3). Ensemble Federated Learning (Federated Ensemble Aggregation). ScholarGate. https://scholargate.app/ro/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 (Agregare Bootstrap)Învățare automată↔ compare
- BoostingÎnvățare automată↔ compare
- Învățare federatăConfidențialitate↔ compare
- StackingÎnvățare automată↔ compare
- Învățare prin transferÎnvățare automată↔ compare
- Ansamblul de votareÎnvățare automată↔ compare
Ai observat o problemă pe această pagină? Raportează sau sugerează o corectură →