Apprendimento Federato Regolarizzato
L'apprendimento federato regolarizzato estende il framework dell'apprendimento federato aggiungendo termini di penalità all'obiettivo locale di ciascun client, ancorando gli aggiornamenti locali più vicino al modello globale. La formulazione canonica — FedProx — aggiunge un termine prossimale che controlla quanto un singolo client può discostarsi, migliorando la convergenza e la stabilità quando le distribuzioni dei dati dei client differiscono sostanzialmente.
Leggi il metodo completo
Accedi con un account gratuito per leggere questa sezione.
Method map
The neighbourhood of related methods — select a node to explore.
Fonti
- 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 ↗
Come citare questa pagina
ScholarGate. (2026, June 3). Regularized Federated Learning (Proximal and Penalty-Based Approaches). ScholarGate. https://scholargate.app/it/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 LearningPrivacy↔ compare
- Apprendimento OnlineApprendimento automatico↔ compare
- Gradient Boosting RegolarizzatoApprendimento automatico↔ compare
- Regressione logistica regolarizzataApprendimento automatico↔ compare
- Apprendimento semi-supervisionatoApprendimento automatico↔ compare
- Apprendimento per trasferimentoApprendimento automatico↔ compare
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →