Ансамблевое федеративное обучение
Ансамблевое федеративное обучение сочетает распределение федеративного обучения, обеспечивающее конфиденциальность, с ансамблевой агрегацией: каждый участвующий клиент обучает свою локальную модель на частных данных, а сервер агрегирует предсказания — или параметры модели — от всех клиентов, используя ансамблевые стратегии, такие как голосование, усреднение или стекинг, вместо простого усреднения только параметров.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Карта метода
Окружение родственных методов — выберите узел, чтобы перейти к нему.
Источники
- 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 ↗
Как цитировать эту страницу
ScholarGate. (2026, June 3). Ensemble Federated Learning (Federated Ensemble Aggregation). ScholarGate. https://scholargate.app/ru/machine-learning/ensemble-federated-learning
Какой метод?
Поставьте этот метод рядом с ближайшими родственными и прочитайте их бок о бок — библиотека выкладывает книги на стол, а выбор за вами.
- Бэггинг (Бутстрэп-агрегирование)Машинное обучение↔ сравнить
- БустингМашинное обучение↔ сравнить
- Федеративное обучениеКонфиденциальность↔ сравнить
- СтекингМашинное обучение↔ сравнить
- Перенос обученияМашинное обучение↔ сравнить
- Голосующая ансамблевая модельМашинное обучение↔ сравнить
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →