Vankka hajautettu oppiminen
Vankka hajautettu oppiminen (Robust Federated Learning) laajentaa standardia hajautettua oppimista bysanttilaiskestävillä aggregointisäännöillä, jotka suojaavat globaalia mallia haitallisilta, vioittuneilta tai epäluotettavilta asiakkailta. Sen sijaan, että asiakkaan gradientteja keskiarvoistettaisiin naiivisti, vankat aggregointimenetelmät, kuten koordinaattikohtainen mediaani tai Krum, suodattavat haitalliset päivitykset pois, jotta pieni joukko vastustajia osallistujista ei voi ohjata koulutusta harhaan.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- 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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Robust Federated Learning (Byzantine-Tolerant Distributed Training). ScholarGate. https://scholargate.app/fi/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.
- Bayesiläinen liitetty oppiminenKoneoppiminen↔ compare
- Hajautettu oppiminenYksityisyydensuoja↔ compare
- Online-hajautettu oppiminenKoneoppiminen↔ compare
- Robust gradient boostingKoneoppiminen↔ compare
- Puolivalvottu hajautettu oppiminenKoneoppiminen↔ compare
- Siirto-oppiminenKoneoppiminen↔ compare
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →