Regulirano federativno učenje
Regulirano federativno učenje proširuje okvir federativnog učenja dodavanjem kaznenih članaka lokalnim ciljevima svakog klijenta, sidreći lokalna ažuriranja bliže globalnom modelu. Kanonska formulacija — FedProx — dodaje proksimalni član koji kontrolira koliko pojedini klijent može odstupiti, poboljšavajući konvergenciju i stabilnost kada se distribucije podataka klijenata značajno razlikuju.
Pročitajte cijelu metodu
Prijavite se besplatnim računom kako biste pročitali ovaj odjeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Regularized Federated Learning (Proximal and Penalty-Based Approaches). ScholarGate. https://scholargate.app/hr/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.
- Federalizirano učenjePrivatnost↔ compare
- Mrežno učenjeStrojno učenje↔ compare
- Regularizirani gradijentni boostingStrojno učenje↔ compare
- Regularizirana logistička regresijaStrojno učenje↔ compare
- Polunadzorirano učenjeStrojno učenje↔ compare
- Prijenosno učenjeStrojno učenje↔ compare
Uočili ste pogrešku na ovoj stranici? Prijavite je ili predložite ispravak →