Semi-überwachtes Föderiertes Lernen
Semi-überwachtes Föderiertes Lernen (SSFL) trainiert ein geteiltes Modell über viele dezentrale Clients hinweg – von denen jeder private Daten besitzt –, wenn nur eine Untergruppe von Clients oder eine Untergruppe lokaler Stichproben Labels trägt. Es kombiniert die datenschutzfreundliche Koordination des Föderierten Lernens mit der Label-Effizienz semi-überwachter Techniken wie Pseudo-Labeling und Konsistenzregularisierung, wodurch eine hohe Modellqualität ohne Zentralisierung sensibler Daten ermöglicht wird.
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
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Semi-supervised Federated Learning. ScholarGate. https://scholargate.app/de/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.
- Föderiertes LernenDatenschutz↔ compare
- Few-Shot LearningMaschinelles Lernen↔ compare
- Online Federated LearningMaschinelles Lernen↔ compare
- Selbstüberwachtes LernenMaschinelles Lernen↔ compare
- Semi-Supervised LearningMaschinelles Lernen↔ compare
- Transfer LearningMaschinelles Lernen↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →