Устойчиво федеративно обучение
Устойчивото федеративно обучение (Robust Federated Learning) разширява стандартното федеративно обучение с правила за агрегиране, толерантни към византийски откази, които защитават глобалния модел от злонамерени, компрометирани или ненадеждни клиенти. Вместо наивно осредняване на клиентските градиенти, методи за устойчиво агрегиране като медиана по координати или Krum филтрират вредните актуализации, така че малцинство от враждебни участници да не може да провали обучението.
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
- Blanchard, P., El Mhamdi, E. M., Guerraoui, R., & Stainer, J. (2017). Machine Learning with Adversaries: Byzantine Tolerant Gradient Descent. Advances in Neural Information Processing Systems, 30. link ↗
- Yin, D., Chen, Y., Kannan, R., & Bartlett, P. (2018). Byzantine-Robust Distributed Learning: Towards Optimal Statistical Rates. Proceedings of the 35th International Conference on Machine Learning (ICML), PMLR 80:5650–5659. link ↗
Как да цитирате тази страница
ScholarGate. (2026, June 3). Robust Federated Learning (Byzantine-Tolerant Distributed Training). ScholarGate. https://scholargate.app/bg/machine-learning/robust-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.
- Байесов федеративно обучениеМашинно обучение↔ compare
- Федеративно ученеПоверителност↔ compare
- Онлайн федеративно обучениеМашинно обучение↔ compare
- Устойчиво градиентно усилванеМашинно обучение↔ compare
- Полу-наблюдавано федеративно обучениеМашинно обучение↔ compare
- Трансферно обучениеМашинно обучение↔ compare
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →