Aprendizaje Federado Regularizado
El aprendizaje federado regularizado extiende el marco de aprendizaje federado añadiendo términos de penalización al objetivo local de cada cliente, anclando las actualizaciones locales más cerca del modelo global. La formulación canónica — FedProx — añade un término proximal que controla cuánto puede desviarse un cliente individual, mejorando la convergencia y la estabilidad cuando las distribuciones de datos de los clientes difieren sustancialmente.
Leer el método completo
Inicia sesión con una cuenta gratuita para leer esta sección.
Method map
The neighbourhood of related methods — select a node to explore.
Fuentes
- 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 ↗
Cómo citar esta página
ScholarGate. (2026, June 3). Regularized Federated Learning (Proximal and Penalty-Based Approaches). ScholarGate. https://scholargate.app/es/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.
- Aprendizaje FederadoPrivacidad↔ compare
- Aprendizaje en líneaAprendizaje automático↔ compare
- Gradient Boosting RegularizadoAprendizaje automático↔ compare
- Regresión logística regularizadaAprendizaje automático↔ compare
- Aprendizaje semisupervisadoAprendizaje automático↔ compare
- Aprendizaje por transferenciaAprendizaje automático↔ compare
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →