التعلم الفيدرالي شبه المُشرف
يدرب التعلم الفيدرالي شبه المُشرف (SSFL) نموذجًا مشتركًا عبر العديد من العملاء اللامركزيين — يمتلك كل منهم بيانات خاصة — عندما تكون مجموعة فرعية فقط من العملاء أو مجموعة فرعية من العينات المحلية تحمل تسميات. يجمع هذا الأسلوب بين التنسيق المحافظ على الخصوصية للتعلم الفيدرالي وكفاءة التسميات للتقنيات شبه المشرفة مثل التسمية الزائفة (pseudo-labeling) والتنظيم المتسق (consistency regularization)، مما يتيح جودة نموذج قوية دون مركزة البيانات الحساسة.
اقرأ الطريقة كاملة
سجّل الدخول بحساب مجاني لقراءة هذا القسم.
خريطة المناهج
محيط المناهج ذات الصلة — اختر عقدةً للاستكشاف.
المصادر
- Jeong, W., Yoon, J., Yang, E., & Hwang, S. J. (2020). Federated Semi-Supervised Learning with Inter-Client Consistency. International Conference on Learning Representations (ICLR 2021). link ↗
- Zhang, Z., Chen, Y., Yu, H., & Lu, J. (2021). SemiFed: Semi-supervised Federated Learning with Consistency and Pseudo-Labeling. arXiv preprint arXiv:2108.09412. link ↗
كيف تستشهد بهذه الصفحة
ScholarGate. (2026, June 3). Semi-supervised Federated Learning. ScholarGate. https://scholargate.app/ar/machine-learning/semi-supervised-federated-learning
أيُّ منهج؟
ضع هذا المنهج إلى جانب أقرب نظائره واقرأهما جنباً إلى جنب — المكتبة تضع الكتب على الطاولة، والاختيار لك.
- التعلم الاتحاديالخصوصية↔ قارن
- تعلم العينات القليلةتعلم الآلة↔ قارن
- التعلم الاتحادي عبر الإنترنتتعلم الآلة↔ قارن
- التعلم ذاتي الإشرافتعلم الآلة↔ قارن
- التعلم شبه المُشرفتعلم الآلة↔ قارن
- التعلم التحويليتعلم الآلة↔ قارن