Online Federated Learning
Online Federated Learning (OFL) kombinerar den integritetsskyddande, decentraliserade strukturen hos federerad inlärning med den sekventiella, exempel-för-exempel-uppdateringsregimen hos onlineinlärning. Klienter — såsom mobila enheter eller edge-sensorer — tar emot en global modell, uppdaterar den med nyanländ lokal data utan att dela råa observationer, och bidrar med komprimerade uppdateringar till en central server som aggregerar dem i nära realtid.
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
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Online Federated Learning (Sequential Distributed Learning without Centralised Data). ScholarGate. https://scholargate.app/sv/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.
- Differential PrivacyIntegritetsskydd↔ compare
- Federerad inlärningIntegritetsskydd↔ compare
- Online LearningMaskininlärning↔ compare
- Stokastisk gradientnedstigning (SGD)Maskininlärning↔ compare
- ÖverföringsinlärningMaskininlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →