یادگیری فدرال مقاوم
یادگیری فدرال مقاوم، یادگیری فدرال استاندارد را با قوانین تجمیع مقاوم در برابر بیزانس گسترش میدهد که مدل سراسری را در برابر کلاینتهای مخرب، فاسد یا غیرقابل اعتماد محافظت میکند. به جای میانگینگیری ساده از گرادیانهای کلاینت، روشهای تجمیع مقاوم مانند میانه مختصاتی یا Krum، بهروزرسانیهای مضر را فیلتر میکنند تا اقلیت شرکتکنندگان متخاصم نتوانند آموزش را از مسیر خود منحرف کنند.
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
- 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 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Robust Federated Learning (Byzantine-Tolerant Distributed Training). ScholarGate. https://scholargate.app/fa/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.
- یادگیری فدرال بیزییادگیری ماشین↔ compare
- یادگیری فدرالحریم خصوصی↔ compare
- Online Federated Learningیادگیری ماشین↔ compare
- تقویت گرادیان مقاومیادگیری ماشین↔ compare
- یادگیری فدرال نیمهنظارتییادگیری ماشین↔ compare
- یادگیری انتقالییادگیری ماشین↔ compare
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →