Regularizované federované učení
Regularizované federované učení rozšiřuje rámec federovaného učení přidáním penalizačních členů k lokálnímu účelu každého klienta, čímž ukotvuje lokální aktualizace blíže k globálnímu modelu. Kanonická formulace — FedProx — přidává proximální člen, který řídí, jak daleko může kterýkoli klient driftovat, čímž zlepšuje konvergenci a stabilitu, když se distribuce dat klientů podstatně liší.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- 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 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Regularized Federated Learning (Proximal and Penalty-Based Approaches). ScholarGate. https://scholargate.app/cs/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.
- Federované učeníSoukromí↔ compare
- Online LearningStrojové učení↔ compare
- Regularizované gradientní posilováníStrojové učení↔ compare
- Regularizovaná logistická regreseStrojové učení↔ compare
- Semisupervisední učeníStrojové učení↔ compare
- Přenosové učeníStrojové učení↔ compare
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →