Robusno federalno učenje
Robusno federalno učenje proširuje standardno federalno učenje pravilima agregacije tolerantnim na bizantske napade koja štite globalni model od zlonamjernih, oštećenih ili nepouzdanih klijenata. Umjesto naivnog prosjekovanja gradijenata klijenata, robusne metode agregacije poput medijana po koordinatama ili Kruma filtriraju štetne ažuriranja tako da manjina sudionika koji djeluju kao neprijatelji ne može poremetiti obuku.
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
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Robust Federated Learning (Byzantine-Tolerant Distributed Training). ScholarGate. https://scholargate.app/hr/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.
- Bayesovsko federalizirano učenjeStrojno učenje↔ compare
- Federalizirano učenjePrivatnost↔ compare
- Mrežno federirano učenjeStrojno učenje↔ compare
- Robusno pojačanje gradijentaStrojno učenje↔ compare
- Polu-nadgledano federativno učenjeStrojno učenje↔ compare
- Prijenosno učenjeStrojno učenje↔ compare
Uočili ste pogrešku na ovoj stranici? Prijavite je ili predložite ispravak →