למידה מאוחדת חסינה (Robust Federated Learning)
למידה מאוחדת חסינה מרחיבה את הלמידה המאוחדת הסטנדרטית באמצעות כללי אגרגציה סובלניים לבייזנטיות (Byzantine-tolerant aggregation rules) המגנים על המודל הגלובלי מפני לקוחות זדוניים, פגומים או לא אמינים. במקום למצע באופן נאיבי גרדיאנטים של לקוחות, שיטות אגרגציה חסינות כגון חציון לפי קואורדינטה (coordinate-wise median) או Krum מסננות עדכונים מזיקים כך שרוב קטן של משתתפים עוינים לא יוכלו להכשיל את האימון.
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
- 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 ↗
איך לצטט עמוד זה
ScholarGate. (2026, June 3). Robust Federated Learning (Byzantine-Tolerant Distributed Training). ScholarGate. https://scholargate.app/he/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.
- למידה מאוחדת בייסיאניתלמידת מכונה↔ compare
- למידה מאוחדת (Federated Learning)פרטיות↔ compare
- למידה פדרטיבית מקוונתלמידת מכונה↔ compare
- Gradient Boosting חסין (Robust Gradient Boosting)למידת מכונה↔ compare
- למידה פדרטיבית למחצה מפוקחתלמידת מכונה↔ compare
- Transfer Learningלמידת מכונה↔ compare