Pembelajaran Bersekutu Terregulasi
Pembelajaran bersekutu terregulasi melanjutkan rangka kerja pembelajaran bersekutu dengan menambahkan sebutan penalti pada objektif tempatan setiap klien, menambat kemas kini tempatan lebih dekat kepada model global. Formulasi kanonik — FedProx — menambahkan sebutan proksimal yang mengawal sejauh mana klien individu boleh terpesong, meningkatkan penumpuan dan kestabilan apabila taburan data klien berbeza secara ketara.
Baca kaedah sepenuhnya
Log masuk dengan akaun percuma untuk membaca bahagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- 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 ↗
Cara memetik halaman ini
ScholarGate. (2026, June 3). Regularized Federated Learning (Proximal and Penalty-Based Approaches). ScholarGate. https://scholargate.app/ms/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.
- Pembelajaran BersekutuPrivasi↔ compare
- Pembelajaran Dalam TalianPembelajaran Mesin↔ compare
- Peningkatkan Cerun TerperaturanPembelajaran Mesin↔ compare
- Regresi Logistik TerregulasiPembelajaran Mesin↔ compare
- Pembelajaran Separa SeliaPembelajaran Mesin↔ compare
- Pembelajaran PindahanPembelajaran Mesin↔ compare
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →