Онлайновое федеративное обучение
Онлайновое федеративное обучение (OFL) сочетает в себе структуру федеративного обучения, сохраняющую конфиденциальность и децентрализованную, с режимом последовательного обновления по отдельным выборкам онлайн-обучения. Клиенты — такие как мобильные устройства или периферийные датчики — получают глобальную модель, обновляют ее на основе новых локальных данных без обмена необработанными наблюдениями и передают сжатые обновления центральному серверу, который агрегирует их почти в реальном времени.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Источники
- 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 ↗
Как цитировать эту страницу
ScholarGate. (2026, June 3). Online Federated Learning (Sequential Distributed Learning without Centralised Data). ScholarGate. https://scholargate.app/ru/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.
- Дифференциальная приватностьКонфиденциальность↔ compare
- Федеративное обучениеКонфиденциальность↔ compare
- Онлайн-обучениеМашинное обучение↔ compare
- Стохастический градиентный спуск (SGD)Машинное обучение↔ compare
- Перенос обученияМашинное обучение↔ compare
Упоминается в
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →