Robustne hajusõpe
Robustne hajusõpe laiendab standardset hajusõpet Bütsantsi-kindlate koondamisreeglite abil, mis kaitsevad globaalset mudelit pahatahtlike, rikutud või ebausaldusväärsete klientide eest. Tavalise klientide gradientide keskmistamise asemel filtreerivad robustsed koondamismeetodid, nagu koordinaaditi mediaan või Krum, kahjulikud värskendused välja, nii et vähemus osalevatest vastastest ei saa õpetust nurjata.
Loe meetodi täielikku kirjeldust
Selle osa lugemiseks logi sisse tasuta kontoga.
Method map
The neighbourhood of related methods — select a node to explore.
Allikad
- 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 ↗
Kuidas sellele lehele viidata
ScholarGate. (2026, June 3). Robust Federated Learning (Byzantine-Tolerant Distributed Training). ScholarGate. https://scholargate.app/et/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.
- Bayesilik Födereritud ÕppimineMasinõpe↔ compare
- Föderaallne õppiminePrivaatsus↔ compare
- Veebipõhine föderatiivne õppimineMasinõpe↔ compare
- Robustne gradient boostingMasinõpe↔ compare
- Poolitult järelevalve all toimuv föderatiivne õpeMasinõpe↔ compare
- ÜlekandeõpeMasinõpe↔ compare
Märkasid sellel lehel viga? Teata sellest või paku parandust →