« Apprentissage fédéré vertical » : différence entre les versions
Aucun résumé des modifications |
Aucun résumé des modifications |
||
| Ligne 19 : | Ligne 19 : | ||
<!-- Vertical Federated Learning (VFL) is a federated learning setting where multiple parties with different features about the same set of users jointly train machine learning models without exposing their raw data or model parameters. | <!-- Vertical Federated Learning (VFL) is a federated learning setting where multiple parties with different features about the same set of users jointly train machine learning models without exposing their raw data or model parameters. | ||
Vertical federated learning or feature-based federated learning … is applicable to the cases that two data sets share the same sample ID space but differ in feature space. -> | Vertical federated learning or feature-based federated learning … is applicable to the cases that two data sets share the same sample ID space but differ in feature space. --> | ||
Version du 18 avril 2023 à 15:56
Définition
L'apprentissage fédéré vertical est une variante de l'apprentissage fédéré dans laquelle plusieurs sources de données ayant des attributs différents concernant le même ensemble de données entraînent conjointement des modèles d'apprentissage automatique sans exposer les données brutes ou les paramètres des modèles.
Compléments
L'apprentissage vertical fédéré ou l'apprentissage fédéré basé sur les attributs s'applique aux cas où deux ensembles de données partagent un même identificateur mais avec des attributs différents.
Par exemple, dans le domaine médical, les résultats d'une analyse sanguine et ceux d'une analyse d'urine pourraient faire l'objet d'un apprentissage fédéré vertical.
Français
apprentissage fédéré vertical
apprentissage fédéré basé sur les attributs
Anglais
vertical federated learning
Contributeurs: Patrick Drouin, wiki
