Pembelajaran Federasi Teralogaritma
Pembelajaran federasi teralgoritma memperluas kerangka kerja pembelajaran federasi dengan menambahkan suku penalti pada tujuan lokal setiap klien, menambatkan pembaruan lokal lebih dekat ke model global. Formulasi kanonik — FedProx — menambahkan suku proksimal yang mengontrol seberapa jauh satu klien dapat menyimpang, meningkatkan konvergensi dan stabilitas ketika distribusi data klien berbeda secara substansial.
Baca metode selengkapnya
Masuk dengan akun gratis untuk membaca bagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- 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 ↗
Cara menyitasi halaman ini
ScholarGate. (2026, June 3). Regularized Federated Learning (Proximal and Penalty-Based Approaches). ScholarGate. https://scholargate.app/id/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.
- Pembelajaran FederasiPrivasi↔ compare
- Pembelajaran DaringPembelajaran Mesin↔ compare
- Peningkatkan Gradien TeregulasiPembelajaran Mesin↔ compare
- Regresi Logistik TeregularisasiPembelajaran Mesin↔ compare
- Pembelajaran Semi-terawasiPembelajaran Mesin↔ compare
- Transfer LearningPembelajaran Mesin↔ compare
Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →