Aprenentatge federat regularitzat
L'aprenentatge federat regularitzat estén el marc d'aprenentatge federat afegint termes de penalització a l'objectiu local de cada client, ancorant les actualitzacions locals més a prop del model global. La formulació canònica — FedProx — afegeix un terme proximal que controla fins a quin punt un client individual pot desviar-se, millorant la convergència i l'estabilitat quan les distribucions de dades dels clients difereixen substancialment.
Llegeix el mètode complet
Inicia la sessió amb un compte gratuït per llegir aquesta secció.
Method map
The neighbourhood of related methods — select a node to explore.
Fonts
- 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 ↗
Com citar aquesta pàgina
ScholarGate. (2026, June 3). Regularized Federated Learning (Proximal and Penalty-Based Approaches). ScholarGate. https://scholargate.app/ca/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.
- Aprenentatge FederatPrivadesa↔ compare
- Aprenentatge en líniaAprenentatge automàtic↔ compare
- Impuls de gradient regularitzatAprenentatge automàtic↔ compare
- Regressió logística regularitzadaAprenentatge automàtic↔ compare
- Aprenentatge semi-supervisatAprenentatge automàtic↔ compare
- Aprenentatge per transferènciaAprenentatge automàtic↔ compare
Has vist cap problema en aquesta pàgina? Informa'n o suggereix una correcció →