Pembelajaran Federasi Semi-terawasi
Pembelajaran federasi semi-terawasi (SSFL) melatih model bersama di banyak klien terdesentralisasi — masing-masing memegang data pribadi — ketika hanya sebagian dari klien atau sebagian dari sampel lokal yang memiliki label. Ini menggabungkan koordinasi pelestarian privasi dari pembelajaran federasi dengan efisiensi label dari teknik semi-terawasi seperti pelabelan semu dan regularisasi konsistensi, memungkinkan kualitas model yang kuat tanpa memusatkan data sensitif.
Baca metode selengkapnya
Masuk dengan akun gratis untuk membaca bagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- 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 ↗
Cara menyitasi halaman ini
ScholarGate. (2026, June 3). Semi-supervised Federated Learning. ScholarGate. https://scholargate.app/id/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.
- Pembelajaran FederasiPrivasi↔ compare
- Pembelajaran Sedikit Contoh (Few-shot Learning)Pembelajaran Mesin↔ compare
- Pembelajaran Federasi DaringPembelajaran Mesin↔ compare
- Pembelajaran Mandiri TerawasiPembelajaran Mesin↔ compare
- Pembelajaran Semi-terawasiPembelajaran Mesin↔ compare
- Transfer LearningPembelajaran Mesin↔ compare
Dirujuk oleh
Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →