Reguleeritud federatiivne õppimine
Reguleeritud federatiivne õppimine laiendab federatiivse õppimise raamistikku, lisades igale kliendi kohalikule eesmärgile karistustermineid, mis ankuriseerivad kohalikud uuendused globaalsele mudelile lähemale. Kanoniline formulatsioon — FedProx — lisab proksimaalse termini, mis kontrollib, kui kaugele üksik klient võib triivida, parandades konvergentsi ja stabiilsust, kui klientide andmete jaotused oluliselt erinevad.
Loe meetodi täielikku kirjeldust
Selle osa lugemiseks logi sisse tasuta kontoga.
Method map
The neighbourhood of related methods — select a node to explore.
Allikad
- 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 ↗
Kuidas sellele lehele viidata
ScholarGate. (2026, June 3). Regularized Federated Learning (Proximal and Penalty-Based Approaches). ScholarGate. https://scholargate.app/et/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.
- Föderaallne õppiminePrivaatsus↔ compare
- Veebipõhine õpeMasinõpe↔ compare
- Reguleeritud gradienttugevdusMasinõpe↔ compare
- Regulariseeritud logistiline regressioonMasinõpe↔ compare
- Poolitatud järelevalvega õppimineMasinõpe↔ compare
- ÜlekandeõpeMasinõpe↔ compare
Märkasid sellel lehel viga? Teata sellest või paku parandust →