למידה פדרטיבית למחצה מפוקחת
למידה פדרטיבית למחצה מפוקחת (SSFL) מאמנת מודל משותף על פני לקוחות מבוזרים רבים — כאשר כל אחד מחזיק בנתונים פרטיים — כאשר רק תת-קבוצה של לקוחות או תת-קבוצה של דגימות מקומיות נושאות תוויות. היא משלבת את התיאום המשמר פרטיות של למידה פדרטיבית עם היעילות התוויתית של טכניקות למידה למחצה מפוקחת כגון פסאודו-תוויות ורגולריזציית עקביות, ומאפשרת איכות מודל חזקה ללא ריכוז נתונים רגישים.
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
- 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 ↗
איך לצטט עמוד זה
ScholarGate. (2026, June 3). Semi-supervised Federated Learning. ScholarGate. https://scholargate.app/he/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.
- למידה מאוחדת (Federated Learning)פרטיות↔ compare
- למידת מעט דוגמאותלמידת מכונה↔ compare
- למידה פדרטיבית מקוונתלמידת מכונה↔ compare
- למידה בפיקוח עצמילמידת מכונה↔ compare
- למידה מונחית-למחצהלמידת מכונה↔ compare
- Transfer Learningלמידת מכונה↔ compare