Robustní federované učení
Robustní federované učení rozšiřuje standardní federované učení o agregační pravidla odolná vůči byzantským chybám, která chrání globální model před škodlivými, poškozenými nebo nespolehlivými klienty. Namísto naivního zprůměrování gradientů klientů filtrují robustní agregační metody, jako je medián po souřadnicích nebo Krum, škodlivé aktualizace tak, aby menšina nepřátelských účastníků nemohla narušit trénink.
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
- 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 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Robust Federated Learning (Byzantine-Tolerant Distributed Training). ScholarGate. https://scholargate.app/cs/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.
- Bayesian Federated LearningStrojové učení↔ compare
- Federované učeníSoukromí↔ compare
- Online Federated LearningStrojové učení↔ compare
- Robustní Gradient BoostingStrojové učení↔ compare
- Polozavedené federované učeníStrojové učení↔ compare
- Přenosové učeníStrojové učení↔ compare
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →