Robustā federatīvā apmācība
Robustā federatīvā apmācība paplašina standarta federatīvo apmācību ar Bizantijas kļūdām tolerantiem agregācijas noteikumiem, kas aizsargā globālo modeli pret ļaunprātīgiem, bojātiem vai neuzticamiem klientiem. Tā vietā, lai naivi vidējotu klientu gradientus, robustas agregācijas metodes, piemēram, koordinātu mediāna vai Krum, filtrē kaitīgos atjauninājumus, lai mazākums pretiniecisku dalībnieku nevarētu izjaukt apmācību.
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
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Robust Federated Learning (Byzantine-Tolerant Distributed Training). ScholarGate. https://scholargate.app/lv/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.
- Bajesiešu federatīvā apmācībaMašīnmācīšanās↔ compare
- Federatīvā apmācībaPrivātums↔ compare
- Tiešsaistes federatīvā apmācībaMašīnmācīšanās↔ compare
- Robustais gradientu pastiprinājumsMašīnmācīšanās↔ compare
- Puss-uzraudzīta federatīvā apmācībaMašīnmācīšanās↔ compare
- Pārneses apmācībaMašīnmācīšanās↔ compare
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →