Regulariseret fødereret læring
Regulariseret fødereret læring udvider rammerne for fødereret læring ved at tilføje strafled til hver klients lokale objektivfunktion, hvilket forankrer lokale opdateringer tættere på den globale model. Den kanoniske formulering – FedProx – tilføjer et proksimalt led, der kontrollerer, hvor langt en enkelt klient kan afvige, hvilket forbedrer konvergens og stabilitet, når klientdatafordelingerne afviger betydeligt.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Regularized Federated Learning (Proximal and Penalty-Based Approaches). ScholarGate. https://scholargate.app/da/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.
- Fødereret læringPrivatlivsbeskyttelse↔ compare
- Online læringMaskinlæring↔ compare
- Regulariseret gradient-boostingMaskinlæring↔ compare
- Regulariseret logistisk regressionMaskinlæring↔ compare
- Semi-supervised LearningMaskinlæring↔ compare
- OverførselslæringMaskinlæring↔ compare
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →