Robuste Föderierte Lernverfahren
Robuste Föderierte Lernverfahren erweitern Standard-Föderierte Lernverfahren um Byzantine-tolerante Aggregationsregeln, die das globale Modell vor bösartigen, korrupten oder unzuverlässigen Clients schützen. Anstatt Gradienten von Clients naiv zu mitteln, filtern robuste Aggregationsmethoden wie koordinatenweise Median oder Krum schädliche Aktualisierungen heraus, sodass eine Minderheit von gegnerischen Teilnehmern das Training nicht sabotieren kann.
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
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Robust Federated Learning (Byzantine-Tolerant Distributed Training). ScholarGate. https://scholargate.app/de/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 LearningMaschinelles Lernen↔ compare
- Föderiertes LernenDatenschutz↔ compare
- Online Federated LearningMaschinelles Lernen↔ compare
- Robustes Gradient BoostingMaschinelles Lernen↔ compare
- Semi-überwachtes Föderiertes LernenMaschinelles Lernen↔ compare
- Transfer LearningMaschinelles Lernen↔ compare
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →