Apprentissage fédéré régularisé
L'apprentissage fédéré régularisé étend le cadre de l'apprentissage fédéré en ajoutant des termes de pénalité à l'objectif local de chaque client, ancrant les mises à jour locales plus près du modèle global. La formulation canonique — FedProx — ajoute un terme proximal qui contrôle à quel point un client unique peut dériver, améliorant la convergence et la stabilité lorsque les distributions de données des clients diffèrent substantiellement.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Regularized Federated Learning (Proximal and Penalty-Based Approaches). ScholarGate. https://scholargate.app/fr/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.
- Apprentissage FédéréProtection de la vie privée↔ compare
- Apprentissage en ligneApprentissage automatique↔ compare
- Gradient Boosting RégulariséApprentissage automatique↔ compare
- Régression logistique régulariséeApprentissage automatique↔ compare
- Apprentissage semi-superviséApprentissage automatique↔ compare
- Apprentissage par transfertApprentissage automatique↔ compare
Une erreur sur cette page ? Signalez-la ou proposez une correction →