Aprendizaje Federado Robusto
El Aprendizaje Federado Robusto extiende el aprendizaje federado estándar con reglas de agregación tolerantes a fallos bizantinos que protegen el modelo global contra clientes maliciosos, corruptos o poco fiables. En lugar de promediar ingenuamente los gradientes de los clientes, métodos de agregación robustos como la mediana por coordenada o Krum filtran las actualizaciones perjudiciales para que una minoría de participantes adversarios no puedan descarrilar el entrenamiento.
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
- 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 ↗
Cómo citar esta página
ScholarGate. (2026, June 3). Robust Federated Learning (Byzantine-Tolerant Distributed Training). ScholarGate. https://scholargate.app/es/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.
- Aprendizaje Federado BayesianoAprendizaje automático↔ compare
- Aprendizaje FederadoPrivacidad↔ compare
- Aprendizaje Federado en LíneaAprendizaje automático↔ compare
- Gradient Boosting RobustoAprendizaje automático↔ compare
- Aprendizaje Federado Semi-supervisadoAprendizaje automático↔ compare
- Aprendizaje por transferenciaAprendizaje automático↔ compare
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →