Súborové federované učenie
Federated učenie so súborovým agregovaním kombinuje distribúciu federovaného učenia chrániacu súkromie so súborovým agregovaním: každý zúčastnený klient trénuje svoj vlastný lokálny model na súkromných údajoch a server agreguje predikcie — alebo parametre modelu — od všetkých klientov pomocou súborových stratégií, ako je hlasovanie, priemerovanie alebo skladanie (stacking), namiesto jednoduchého priemerovania parametrov.
Prečítať celú metódu
Ak si chcete prečítať túto sekciu, prihláste sa s bezplatným účtom.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- 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 ↗
Ako citovať túto stránku
ScholarGate. (2026, June 3). Ensemble Federated Learning (Federated Ensemble Aggregation). ScholarGate. https://scholargate.app/sk/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 (Bootstrap Aggregating)Strojové učenie↔ compare
- BoostingStrojové učenie↔ compare
- Federated LearningSúkromie↔ compare
- StackingStrojové učenie↔ compare
- Prenosové učenieStrojové učenie↔ compare
- Hlasovacie zoskupenieStrojové učenie↔ compare
Našli ste na tejto stránke chybu? Nahláste ju alebo navrhnite opravu →