Regularized Federated Learning
Regularized federated learning laajentaa federoidun oppimisen viitekehystä lisäämällä rangaistustermejä kunkin asiakkaan paikalliseen tavoitefunktioon, ankkuroimalla paikalliset päivitykset lähemmäs globaalia mallia. Kaaniininen muotoilu – FedProx – lisää proksimaalisen termin, joka kontrolloi, kuinka paljon yksittäinen asiakas voi poiketa, parantaen konvergenssia ja vakautta, kun asiakkaiden datajakaumat eroavat merkittävästi.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- 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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Regularized Federated Learning (Proximal and Penalty-Based Approaches). ScholarGate. https://scholargate.app/fi/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.
- Hajautettu oppiminenYksityisyydensuoja↔ compare
- Online-oppiminenKoneoppiminen↔ compare
- Regularisoitu gradienttivahvistusKoneoppiminen↔ compare
- Regularisoitu logistinen regressioKoneoppiminen↔ compare
- Puoliohjattu oppiminenKoneoppiminen↔ compare
- Siirto-oppiminenKoneoppiminen↔ compare
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →