یادگیری فدرال منظم شده
یادگیری فدرال منظم شده چارچوب یادگیری فدرال را با افزودن جملات جریمه به هدف محلی هر کلاینت، بهروزرسانیهای محلی را به مدل جهانی نزدیکتر میکند. فرمولبندی متعارف — FedProx — یک جمله مجاورتی اضافه میکند که میزان دور شدن هر کلاینت را کنترل میکند و همگرایی و پایداری را هنگام تفاوت قابل توجه توزیع دادههای کلاینت بهبود میبخشد.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
منابع
- 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 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Regularized Federated Learning (Proximal and Penalty-Based Approaches). ScholarGate. https://scholargate.app/fa/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.
- یادگیری فدرالحریم خصوصی↔ compare
- یادگیری آنلاینیادگیری ماشین↔ compare
- تقویت گرادیان منظمشدهیادگیری ماشین↔ compare
- رگرسیون لجستیک منظمشدهیادگیری ماشین↔ compare
- یادگیری نیمهنظارتشدهیادگیری ماشین↔ compare
- یادگیری انتقالییادگیری ماشین↔ compare
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →