Robusztus szövetségi tanulás
A robusztus szövetségi tanulás (Robust Federated Learning) kiterjeszti a standard szövetségi tanulást (standard federated learning) bizánci hibatűrő aggregációs szabályokkal, amelyek megvédik a globális modellt a rosszindulatú, sérült vagy megbízhatatlan kliensektől. A kliensgradiens-frissítések naiv átlagolása helyett a robusztus aggregációs módszerek, mint például a koordinátánkénti medián vagy a Krum, kiszűrik a káros frissítéseket, így az adverszív résztvevők kisebbsége nem tudja eltéríteni a tanítást.
A teljes módszer elolvasása
Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.
Method map
The neighbourhood of related methods — select a node to explore.
Források
- 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 ↗
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 3). Robust Federated Learning (Byzantine-Tolerant Distributed Training). ScholarGate. https://scholargate.app/hu/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.
- Bayes-féle szövetségi tanulásGépi tanulás↔ compare
- Federated LearningAdatvédelem↔ compare
- Online Federated LearningGépi tanulás↔ compare
- Robuszt Gradient BoostingGépi tanulás↔ compare
- Félfelügyelt szövetségi tanulásGépi tanulás↔ compare
- Transzfer tanulásGépi tanulás↔ compare
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →