Ensemble Federated Learning
Ensemble Federated Learning kombinerar den integritetsskyddande distributionen av federated learning med ensemble-aggregering: varje deltagande klient tränar sin egen lokala modell på privat data, och servern aggregerar prediktioner – eller modellparametrar – från alla klienter med hjälp av ensemble-strategier såsom röstning, medelvärdesbildning eller stacking, istället för enbart enkel parameter-medelvärdesbildning.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
Källor
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Ensemble Federated Learning (Federated Ensemble Aggregation). ScholarGate. https://scholargate.app/sv/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)Maskininlärning↔ compare
- BoostingMaskininlärning↔ compare
- Federerad inlärningIntegritetsskydd↔ compare
- StackingMaskininlärning↔ compare
- ÖverföringsinlärningMaskininlärning↔ compare
- RöstningsensembleMaskininlärning↔ compare
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →