Szabályozott szövetségi tanulás
A szabályozott szövetségi tanulás a szövetségi tanulási keretrendszert kiterjeszti azáltal, hogy büntetőtagokat ad minden kliens lokális célfüggvényéhez, így a lokális frissítéseket a globális modellhez rögzíti. A kanonikus megfogalmazás — a FedProx — egy proximális tagot ad hozzá, amely szabályozza, hogy egyetlen kliens mennyire távolodhat el, javítva a konvergenciát és a stabilitást, amikor a kliensadatok eloszlása jelentősen eltér.
A teljes módszer elolvasása
Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.
Method map
The neighbourhood of related methods — select a node to explore.
Források
- 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 ↗
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 3). Regularized Federated Learning (Proximal and Penalty-Based Approaches). ScholarGate. https://scholargate.app/hu/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.
- Federated LearningAdatvédelem↔ compare
- Online tanulásGépi tanulás↔ compare
- Regularizált Gradient BoostingGépi tanulás↔ compare
- Regularizált logisztikus regresszióGépi tanulás↔ compare
- Félfelügyelt tanulásGépi tanulás↔ compare
- Transzfer tanulásGépi tanulás↔ compare
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →