Ансамблеве федеративне навчання
Ансамблеве федеративне навчання поєднує розподілену природу федеративного навчання, що зберігає конфіденційність, з ансамблевою агрегацією: кожен клієнт, що бере участь, навчає власну локальну модель на приватних даних, а сервер агрегує прогнози — або параметри моделі — від усіх клієнтів, використовуючи ансамблеві стратегії, такі як голосування, усереднення або стекування, замість простого усереднення параметрів.
Читати метод повністю
Увійдіть із безкоштовним обліковим записом, щоб прочитати цей розділ.
Method map
The neighbourhood of related methods — select a node to explore.
Джерела
- 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 ↗
Як цитувати цю сторінку
ScholarGate. (2026, June 3). Ensemble Federated Learning (Federated Ensemble Aggregation). ScholarGate. https://scholargate.app/uk/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)Машинне навчання↔ compare
- БустингМашинне навчання↔ compare
- Федеративне навчанняКонфіденційність↔ compare
- StackingМашинне навчання↔ compare
- Трансферне навчанняМашинне навчання↔ compare
- Голосувальний ансамбльМашинне навчання↔ compare
Помітили помилку на цій сторінці? Повідомте про неї або запропонуйте виправлення →