เปรียบเทียบวิธี

	การเรียนรู้แบบสหพันธ์แบบรวมกลุ่ม	การซ้อนทับ
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2017–2019	1992
ผู้ริเริ่ม	McMahan et al. (FedAvg) extended by subsequent ensemble work	Wolpert, D.H.
ประเภท	Ensemble meta-strategy over federated clients	Ensemble (heterogeneous meta-learning)
แหล่งต้นตำรับ	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.	Wolpert, D.H. (1992). Stacked Generalization. Neural Networks, 5(2), 241–259.
ชื่อเรียกอื่น	federated ensemble learning, EFL, federated model ensembling, federated multi-model aggregation	Stacking (Yığınlama — Meta-Öğrenme), stacked generalization, meta-learning ensemble, super learner
ที่เกี่ยวข้อง	6	5
สรุป	Ensemble Federated Learning combines the privacy-preserving distribution of federated learning with ensemble aggregation: each participating client trains its own local model on private data, and the server aggregates predictions — or model parameters — from all clients using ensemble strategies such as voting, averaging, or stacking, instead of simple parameter averaging alone.	Stacking, or stacked generalization, is an ensemble method introduced by David Wolpert in 1992 that combines the outputs of several different base models (Level-0) through a separate meta-model (Level-1). Unlike bagging and boosting, it deliberately uses heterogeneous model types, and it is the standard final-stage strategy in Kaggle competitions.