Apprendimento federato semi-supervisionato
L'apprendimento federato semi-supervisionato (SSFL) addestra un modello condiviso su molti client decentralizzati – ognuno con dati privati – quando solo un sottoinsieme di client o un sottoinsieme di campioni locali possiede etichette. Combina il coordinamento che preserva la privacy dell'apprendimento federato con l'efficienza delle etichette delle tecniche semi-supervisionate come lo pseudo-labeling e la regolarizzazione di consistenza, consentendo una qualità del modello elevata senza centralizzare dati sensibili.
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
- 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 ↗
Come citare questa pagina
ScholarGate. (2026, June 3). Semi-supervised Federated Learning. ScholarGate. https://scholargate.app/it/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 LearningPrivacy↔ compare
- Few-shot LearningApprendimento automatico↔ compare
- Apprendimento Federato OnlineApprendimento automatico↔ compare
- Apprendimento AutocontrollatoApprendimento automatico↔ compare
- Apprendimento semi-supervisionatoApprendimento automatico↔ compare
- Apprendimento per trasferimentoApprendimento automatico↔ compare
Citato da
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →