یادگیری فدرال نیمهنظارتی
یادگیری فدرال نیمهنظارتی (SSFL) یک مدل مشترک را در میان بسیاری از کلاینتهای غیرمتمرکز آموزش میدهد — که هر کدام دادههای خصوصی را نگه میدارند — زمانی که تنها زیرمجموعهای از کلاینتها یا زیرمجموعهای از نمونههای محلی دارای برچسب هستند. این روش، هماهنگی حفظ حریم خصوصی یادگیری فدرال را با کارایی برچسبگذاری تکنیکهای نیمهنظارتی مانند برچسبزنی کاذب و تنظیم سازگاری ترکیب میکند و کیفیت مدل قوی را بدون متمرکز کردن دادههای حساس امکانپذیر میسازد.
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
- 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 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Semi-supervised Federated Learning. ScholarGate. https://scholargate.app/fa/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.
- یادگیری فدرالحریم خصوصی↔ compare
- یادگیری چند نمونهای (Few-shot Learning)یادگیری ماشین↔ compare
- Online Federated Learningیادگیری ماشین↔ compare
- یادگیری خودنظارتییادگیری ماشین↔ compare
- یادگیری نیمهنظارتشدهیادگیری ماشین↔ compare
- یادگیری انتقالییادگیری ماشین↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →