Regularizēta federatīvā apmācība
Regularizēta federatīvā apmācība paplašina federatīvās apmācības sistēmu, pievienojot soda locekļus katra klienta lokālajam mērķim, turot lokālās atjauninājumus tuvāk globālajam modelim. Kanoniskā formulācija — FedProx — pievieno proksimālu locekli, kas kontrolē, cik tālu var novirzities atsevišķs klients, uzlabojot konverģenci un stabilitāti, ja klientu datu sadalījumi būtiski atšķiras.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Regularized Federated Learning (Proximal and Penalty-Based Approaches). ScholarGate. https://scholargate.app/lv/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.
- Federatīvā apmācībaPrivātums↔ compare
- Tiešsaistes apguveMašīnmācīšanās↔ compare
- Regularizēta gradientu pastiprināšanaMašīnmācīšanās↔ compare
- Regularizētā loģistikā regresijaMašīnmācīšanās↔ compare
- Daudzpusīgā apguveMašīnmācīšanās↔ compare
- Pārneses apmācībaMašīnmācīšanās↔ compare
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →