Полу-наблюдавано федеративно обучение
Полу-наблюдаваното федеративно обучение (SSFL) обучава споделен модел върху много децентрализирани клиенти — всеки със свои частни данни — когато само подмножество от клиенти или подмножество от локални извадки носят етикети. То комбинира координацията за запазване на поверителността на федеративното обучение с ефективността на етикетирането на полу-наблюдавани техники като псевдо-етикетиране и регуляризация на консистентността, позволявайки високо качество на модела без централизиране на чувствителни данни.
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
- 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 ↗
Как да цитирате тази страница
ScholarGate. (2026, June 3). Semi-supervised Federated Learning. ScholarGate. https://scholargate.app/bg/machine-learning/semi-supervised-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
- Обучение с малко примериМашинно обучение↔ compare
- Онлайн федеративно обучениеМашинно обучение↔ compare
- Самообучаващо се ученеМашинно обучение↔ compare
- Полу-наблюдавано обучениеМашинно обучение↔ compare
- Трансферно обучениеМашинно обучение↔ compare
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →