Polozavedené federované učení
Polozavedené federované učení (SSFL) trénuje sdílený model napříč mnoha decentralizovanými klienty — z nichž každý uchovává soukromá data — když jsou označeny pouze podskupina klientů nebo podskupina lokálních vzorků. Kombinuje koordinaci federovaného učení chránící soukromí s efektivitou zavedení technik, jako je pseudo-označování a regularizace konzistence, což umožňuje vysokou kvalitu modelu bez centralizace citlivých dat.
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
- 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 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Semi-supervised Federated Learning. ScholarGate. https://scholargate.app/cs/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.
- Federované učeníSoukromí↔ compare
- Učení s malým počtem příkladůStrojové učení↔ compare
- Online Federated LearningStrojové učení↔ compare
- Samoučící se učeníStrojové učení↔ compare
- Semisupervisední učeníStrojové učení↔ compare
- Přenosové učeníStrojové učení↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →