Félfelügyelt szövetségi tanulás
A félfelügyelt szövetségi tanulás (SSFL) egy megosztott modellt képez le sok decentralizált kliens között – amelyek mindegyike privát adatokat tartalmaz –, amikor csak a kliensek egy részhalmaza vagy a helyi minták egy részhalmaza rendelkezik címkékkel. Egyesíti a szövetségi tanulás adatvédelmet biztosító koordinációját a félfelügyelt technikák, például az ál-címkézés és a konzisztencia-regularizáció címkehatékonyságával, lehetővé téve az erős modellminőséget anélkül, hogy érzékeny adatokat központosítanánk.
A teljes módszer elolvasása
Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.
Method map
The neighbourhood of related methods — select a node to explore.
Források
- 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 ↗
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 3). Semi-supervised Federated Learning. ScholarGate. https://scholargate.app/hu/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.
- Federated LearningAdatvédelem↔ compare
- Few-shot LearningGépi tanulás↔ compare
- Online Federated LearningGépi tanulás↔ compare
- Önfelügyelt tanulásGépi tanulás↔ compare
- Félfelügyelt tanulásGépi tanulás↔ compare
- Transzfer tanulásGépi tanulás↔ compare
Hivatkozik rá
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →