Federerad inlärning
Federerad inlärning är ett distribuerat maskininlärningsparadigm som introducerades av McMahan et al. 2017, där en global modell tränas kollaborativt över flera decentraliserade klienter – såsom mobila enheter eller sjukhussystem – utan att rådata någonsin överförs till en central server. Varje deltagare beräknar modelluppdateringar lokalt med hjälp av sina privata data; endast dessa uppdateringar, inte de underliggande data, kommuniceras och aggregeras av servern för att förbättra den delade modellen.
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.
+4 more
Källor
- McMahan, B., Moore, E., Ramage, D., Hampson, S., & Arcas, B. A. (2017). Communication-efficient learning of deep networks from decentralized data. Artificial Intelligence and Statistics, 1273–1282. link ↗
Så citerar du den här sidan
ScholarGate. (2026, June 2). Federated Learning. ScholarGate. https://scholargate.app/sv/privacy/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
- KunskapsdestilleringDjupinlärning↔ compare
- Stokastisk gradientnedstigning (SGD)Maskininlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →