למידה מאוחדת עם רגולריזציה
למידה מאוחדת עם רגולריזציה מרחיבה את מסגרת הלמידה המאוחדת על ידי הוספת איברי עונש (penalty terms) למטרה הלוקאלית של כל לקוח, ועוגנת עדכונים לוקאליים קרוב יותר למודל הגלובלי. הניסוח הקנוני — FedProx — מוסיף איבר פרוקסימלי השולט על המרחק שכל לקוח בודד יכול לסטות ממנו, ומשפר את ההתכנסות והיציבות כאשר התפלגויות הנתונים של הלקוחות שונות באופן משמעותי.
קראו את השיטה במלואה
התחברו עם חשבון חינמי כדי לקרוא חלק זה.
Method map
The neighbourhood of related methods — select a node to explore.
מקורות
- 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 ↗
איך לצטט עמוד זה
ScholarGate. (2026, June 3). Regularized Federated Learning (Proximal and Penalty-Based Approaches). ScholarGate. https://scholargate.app/he/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.
- למידה מאוחדת (Federated Learning)פרטיות↔ compare
- למידה מקוונתלמידת מכונה↔ compare
- הגברת גרדיאנט מוסדרתלמידת מכונה↔ compare
- רגרסיה לוגיסטית עם רגולריזציהלמידת מכונה↔ compare
- למידה מונחית-למחצהלמידת מכונה↔ compare
- Transfer Learningלמידת מכונה↔ compare