Puss-uzraudzīta federatīvā apmācība
Puss-uzraudzīta federatīvā apmācība (SSFL) apmācina kopīgu modeli daudziem decentralizētiem klientiem — katram, kam pieder privāti dati — kad tikai daļa klientu vai daļa lokālo paraugu satur etiķetes. Tā apvieno privātumu aizsargājošu federatīvās apmācības koordināciju ar etiķešu efektivitāti, ko nodrošina puss-uzraudzības metodes, piemēram, pseidoetiķetēšana un konsekvences regularizācija, ļaujot sasniegt augstu modeļa kvalitāti, necentralizējot sensitīvus datus.
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
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Semi-supervised Federated Learning. ScholarGate. https://scholargate.app/lv/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.
- Federatīvā apmācībaPrivātums↔ compare
- Mācīšanās ar maziem paraugu skaituMašīnmācīšanās↔ compare
- Tiešsaistes federatīvā apmācībaMašīnmācīšanās↔ compare
- Pašuzraudzības apmācībaMašīnmācīšanās↔ compare
- Daudzpusīgā apguveMašīnmācīšanās↔ compare
- Pārneses apmācībaMašīnmācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →