Machine learningMachine learning
정규화된 연합 학습
정규화된 연합 학습은 각 클라이언트의 지역 목표 함수에 페널티 항을 추가하여 연합 학습 프레임워크를 확장하며, 지역 업데이트를 전역 모델에 더 가깝게 고정시킵니다. 표준 공식인 FedProx는 단일 클라이언트가 얼마나 멀리 벗어날 수 있는지를 제어하는 근접 항을 추가하여, 클라이언트 데이터 분포가 상당히 다를 때 수렴과 안정성을 향상시킵니다.
방법 전문 읽기
회원 전용
로그인무료 계정으로 로그인하면 이 섹션을 읽을 수 있습니다.
Method map
The neighbourhood of related methods — select a node to explore.
출처
- 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 ↗
이 페이지 인용 방법
ScholarGate. (2026, June 3). Regularized Federated Learning (Proximal and Penalty-Based Approaches). ScholarGate. https://scholargate.app/ko/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.
- 연합 학습프라이버시↔ compare
- 온라인 학습머신러닝↔ compare
- 정규화된 경사 부스팅머신러닝↔ compare
- 정규화 로지스틱 회귀머신러닝↔ compare
- 준지도 학습머신러닝↔ compare
- 전이 학습머신러닝↔ compare