Aprenentatge Federat Robust
L'Aprenentatge Federat Robust estén l'aprenentatge federat estàndard amb regles d'agregació tolerants a fallades bizantines que protegeixen el model global contra clients maliciosos, corruptes o poc fiables. En lloc de fer una mitjana ingènua dels gradients dels clients, mètodes d'agregació robustos com la mediana per coordenades o Krum filtren les actualitzacions perjudicials de manera que una minoria de participants adversaris no pugui descarrilar l'entrenament.
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
- 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 ↗
Com citar aquesta pàgina
ScholarGate. (2026, June 3). Robust Federated Learning (Byzantine-Tolerant Distributed Training). ScholarGate. https://scholargate.app/ca/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.
- Aprenentatge Federat BayesiàAprenentatge automàtic↔ compare
- Aprenentatge FederatPrivadesa↔ compare
- Aprenentatge Federat en LíniaAprenentatge automàtic↔ compare
- Gradient Boosting RobustAprenentatge automàtic↔ compare
- Aprenentatge Federat SemisupervisatAprenentatge automàtic↔ compare
- Aprenentatge per transferènciaAprenentatge automàtic↔ compare
Has vist cap problema en aquesta pàgina? Informa'n o suggereix una correcció →