Metodin todisteiden tietue
Active Learning Federated Learning
Federated Active Learning combines the annotation-efficiency of active learning with the privacy-preserving decentralization of federated learning. A shared global model is trained across distributed clients, each of which independently ranks its unlabeled local data and requests labels only for the most informative examples, keeping raw data on-device throughout.
Lähdetietue
Sitaatit kopioitu sanatarkasti metodin lähdetietueesta. Niistä ei päätellä väitteiden tasoista varmennusta.
Federated Active Learning (Active Learning within Federated Learning)
Taksonominen metoditietue · ml-model / machine-learning
- Ro, J. Y., Ali, A., Lin, Z., & Suresh, A. T. (2021). Scaling Federated Learning for Fine-tuning of Large Language Models. In Proceedings of the 2021 Conference on Empirical Methods in Natural Language Processing (EMNLP). · URL
- Federated learning. Wikipedia. · URL
Kuratoituja väitteitä
Väitteet tallennettu todistusaineiston pääkirjaan, jokaisella oma arviointinsa.
Ei vielä kuratoituja väitteitä
Tämä näkymä ei keksi väitteen arviointia, jos pääkirjassa ei ole sitä.
Liittyvät metodit
Luotu metodigraafista ja näytetään koneen ehdottamina suhteina – väitteitä ei päätellä.