Apprentissage fédéré semi-supervisé
L'apprentissage fédéré semi-supervisé (SSFL) entraîne un modèle partagé sur de nombreux clients décentralisés – chacun détenant des données privées – lorsqu'uniquement un sous-ensemble de clients ou un sous-ensemble d'échantillons locaux porte des étiquettes. Il combine la coordination préservant la confidentialité de l'apprentissage fédéré avec l'efficacité des étiquettes des techniques semi-supervisées telles que le pseudo-étiquetage et la régularisation par cohérence, permettant une qualité de modèle élevée sans centraliser les données sensibles.
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
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Semi-supervised Federated Learning. ScholarGate. https://scholargate.app/fr/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.
- Apprentissage FédéréProtection de la vie privée↔ compare
- Apprentissage à peu d'exemplesApprentissage automatique↔ compare
- Apprentissage Fédéré en LigneApprentissage automatique↔ compare
- Apprentissage auto-superviséApprentissage automatique↔ compare
- Apprentissage semi-superviséApprentissage automatique↔ compare
- Apprentissage par transfertApprentissage automatique↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →