Machine learningMachine learning
集成联邦学习
集成联邦学习（Ensemble Federated Learning）将联邦学习的隐私保护分布式特性与集成聚合相结合：每个参与客户端在其私有数据上训练自己的本地模型，服务器使用投票、平均或堆叠等集成策略聚合来自所有客户端的预测或模型参数，而不是仅仅进行简单的参数平均。
阅读完整方法
仅限会员
登录使用免费账户登录即可阅读本节。
方法图谱
相关方法的邻域——选择一个节点以展开探索。
来源
- 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 ↗
如何引用本页
ScholarGate. (2026, June 3). Ensemble Federated Learning (Federated Ensemble Aggregation). ScholarGate. https://scholargate.app/zh/machine-learning/ensemble-federated-learning
选用哪种方法？
将本方法与其最相近的同类并置，并排研读——本馆将书籍铺陈于案上，取舍则由您定夺。
- Bagging（Bootstrap Aggregating）机器学习↔ 比较
- Boosting机器学习↔ 比较
- 联邦学习隐私↔ 比较
- 堆叠法机器学习↔ 比较
- 迁移学习机器学习↔ 比较
- 投票集成 (Voting Ensemble)机器学习↔ 比较