Регуляризирано федеративно обучение
Регуляризираното федеративно обучение разширява рамката на федеративното обучение чрез добавяне на наказателни членове към локалните цели на всеки клиент, закотвяйки локалните актуализации по-близо до глобалния модел. Каноничната формулировка — FedProx — добавя проксимален член, който контролира колко далеч може да се отклони един клиент, подобрявайки сходимостта и стабилността, когато разпределенията на данните на клиентите се различават съществено.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Източници
- Li, T., Sahu, A. K., Zaheer, M., Sanjabi, M., Talwalkar, A., & Smith, V. (2020). Federated Optimization in Heterogeneous Networks. Proceedings of Machine Learning and Systems (MLSys), 2, 429–450. link ↗
- McMahan, B., Moore, E., Ramage, D., Hampson, S., & y Arcas, B. A. (2017). Communication-Efficient Learning of Deep Networks from Decentralized Data. Proceedings of the 20th International Conference on Artificial Intelligence and Statistics (AISTATS), PMLR 54, 1273–1282. link ↗
Как да цитирате тази страница
ScholarGate. (2026, June 3). Regularized Federated Learning (Proximal and Penalty-Based Approaches). ScholarGate. https://scholargate.app/bg/machine-learning/regularized-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.
- Федеративно ученеПоверителност↔ compare
- Онлайн обучениеМашинно обучение↔ compare
- Регуляризирано градиентно усилванеМашинно обучение↔ compare
- Регуляризирана логистична регресияМашинно обучение↔ compare
- Полу-наблюдавано обучениеМашинно обучение↔ compare
- Трансферно обучениеМашинно обучение↔ compare
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →