Machine learningMachine learning
正則化連邦学習
正則化連邦学習は、各クライアントのローカル目的関数にペナルティ項を追加することで、連邦学習フレームワークを拡張し、ローカル更新をグローバルモデルにより近づけます。代表的な定式化であるFedProxは、単一のクライアントがどれだけドリフトできるかを制御する近接項を追加し、クライアントのデータ分布が大きく異なる場合に収束と安定性を向上させます。
手法の全文を読む
会員限定
ログイン無料アカウントでログインすると、このセクションを読めます。
Method map
The neighbourhood of related methods — select a node to explore.
出典
- 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 ↗
このページの引用方法
ScholarGate. (2026, June 3). Regularized Federated Learning (Proximal and Penalty-Based Approaches). ScholarGate. https://scholargate.app/ja/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 Learning（連合学習）プライバシー↔ compare
- オンライン学習機械学習↔ compare
- 正則化勾配ブースティング機械学習↔ compare
- 正則化ロジスティック回帰機械学習↔ compare
- 半教師あり学習機械学習↔ compare
- 転移学習機械学習↔ compare