Apprendimento Federato Robusto
L'Apprendimento Federato Robusto estende l'apprendimento federato standard con regole di aggregazione tolleranti ai Byzantine che proteggono il modello globale da client malevoli, corrotti o inaffidabili. Invece di calcolare una media ingenua dei gradienti dei client, metodi di aggregazione robusti come la mediana per coordinate o Krum filtrano gli aggiornamenti dannosi in modo che una minoranza di partecipanti avversari non possa compromettere l'addestramento.
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
- 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 ↗
Come citare questa pagina
ScholarGate. (2026, June 3). Robust Federated Learning (Byzantine-Tolerant Distributed Training). ScholarGate. https://scholargate.app/it/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.
- Apprendimento Federato BayesianoApprendimento automatico↔ compare
- Federated LearningPrivacy↔ compare
- Apprendimento Federato OnlineApprendimento automatico↔ compare
- Gradient Boosting RobustoApprendimento automatico↔ compare
- Apprendimento federato semi-supervisionatoApprendimento automatico↔ compare
- Apprendimento per trasferimentoApprendimento automatico↔ compare
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →