Aprendizaje Federado Semi-supervisado
El aprendizaje federado semi-supervisado (SSFL, por sus siglas en inglés) entrena un modelo compartido a través de múltiples clientes descentralizados —cada uno con datos privados— cuando solo un subconjunto de clientes o un subconjunto de muestras locales poseen etiquetas. Combina la coordinación que preserva la privacidad del aprendizaje federado con la eficiencia de etiquetas de técnicas semi-supervisadas como el pseudo-etiquetado y la regularización por consistencia, permitiendo una alta calidad del modelo sin centralizar datos sensibles.
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
- 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 ↗
Cómo citar esta página
ScholarGate. (2026, June 3). Semi-supervised Federated Learning. ScholarGate. https://scholargate.app/es/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.
- Aprendizaje FederadoPrivacidad↔ compare
- Aprendizaje con Pocos EjemplosAprendizaje automático↔ compare
- Aprendizaje Federado en LíneaAprendizaje automático↔ compare
- Aprendizaje autosupervisadoAprendizaje automático↔ compare
- Aprendizaje semisupervisadoAprendizaje automático↔ compare
- Aprendizaje por transferenciaAprendizaje automático↔ compare
Citado por
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →