Regularized Federated Learning
Regularized federated learning erweitert das Framework des federated learning durch Hinzufügen von Straftermen zum lokalen Zielfunktionswert jedes Clients, wodurch lokale Updates näher am globalen Modell verankert werden. Die kanonische Formulierung – FedProx – fügt einen proximalen Term hinzu, der steuert, wie weit sich ein einzelner Client abweichen kann, und verbessert so die Konvergenz und Stabilität, wenn die Datenverteilungen der Clients erheblich voneinander abweichen.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Regularized Federated Learning (Proximal and Penalty-Based Approaches). ScholarGate. https://scholargate.app/de/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.
- Föderiertes LernenDatenschutz↔ compare
- Online-LernenMaschinelles Lernen↔ compare
- Regularisiertes Gradient BoostingMaschinelles Lernen↔ compare
- Regularisierte Logistische RegressionMaschinelles Lernen↔ compare
- Semi-Supervised LearningMaschinelles Lernen↔ compare
- Transfer LearningMaschinelles Lernen↔ compare
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →