Polu-nadgledano federativno učenje
Polu-nadgledano federativno učenje (SSFL) obučava zajednički model na mnogo decentraliziranih klijenata — od kojih svaki posjeduje privatne podatke — kada samo podskup klijenata ili podskup lokalnih uzoraka posjeduje oznake. Kombinira koordinaciju federativnog učenja koja čuva privatnost s učinkovitošću oznaka polu-nadgledanih tehnika poput pseudo-označavanja i dosljedne regularizacije, omogućujući visoku kvalitetu modela bez centralizacije osjetljivih podataka.
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
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Semi-supervised Federated Learning. ScholarGate. https://scholargate.app/hr/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.
- Federalizirano učenjePrivatnost↔ compare
- Učenje s malo primjeraStrojno učenje↔ compare
- Mrežno federirano učenjeStrojno učenje↔ compare
- Samonadzirano učenjeStrojno učenje↔ compare
- Polunadzorirano učenjeStrojno učenje↔ compare
- Prijenosno učenjeStrojno učenje↔ compare
Citirana u
Uočili ste pogrešku na ovoj stranici? Prijavite je ili predložite ispravak →