Puolivalvottu hajautettu oppiminen
Puolivalvottu hajautettu oppiminen (SSFL) kouluttaa jaetun mallin monien hajautettujen asiakkaiden kesken – joista jokainen säilyttää yksityisiä tietoja – kun vain osa asiakkaista tai osa paikallisista näytteistä sisältää tunnisteita. Se yhdistää hajautetun oppimisen yksityisyyttä suojaavan koordinoinnin ja puolivalvottujen tekniikoiden, kuten pseudotunnisteiden ja konsistenssisääntelyn, tunniste-tehokkuuden, mahdollistaen vahvan mallilaadun ilman arkaluonteisten tietojen keskittämistä.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- 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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Semi-supervised Federated Learning. ScholarGate. https://scholargate.app/fi/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.
- Hajautettu oppiminenYksityisyydensuoja↔ compare
- Few-shot LearningKoneoppiminen↔ compare
- Online-hajautettu oppiminenKoneoppiminen↔ compare
- Itseohjautuva oppiminenKoneoppiminen↔ compare
- Puoliohjattu oppiminenKoneoppiminen↔ compare
- Siirto-oppiminenKoneoppiminen↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →