目录
增量联邦学习
增量联邦学习与普通联邦学习的不同点：
举例说明：
增量联邦学习
增量联邦学习是联邦学习的一种扩展形式，它结合了增量学习的特点，使得在联邦学习的框架下能够逐步学习和更新模型，而不仅仅局限于一次性地处理所有数据。增量联邦学习特别适用于那些数据持续产生且需要实时更新的场景。
增量联邦学习与普通联邦学习的不同点：
- 数据处理方式：
- 普通联邦学习：通常是在每个通信轮次中，所有参与方（如客户端或设备）都会使用其当前可用的全部数据来更新本地模型，并将更新后的模型参数或梯度发送到中央服务器进行聚合。这种方式要求在每个轮次中都能获取到完整的数据集。
- 增量联邦学习：则允许参与方在接收到新数据时，逐步地更新其本地模型，并将这些更新累积起来。在每个通信轮次中，参与方可能只使用新增的数据或一部分数据来更新模型，而不是全部数据。这种方式更加灵活&#
