Pembelajaran Bersekutu Teguh
Pembelajaran Bersekutu Teguh (Robust Federated Learning) melanjutkan pembelajaran bersekutu standard dengan peraturan pengagregatan yang toleran terhadap Byzantine yang melindungi model global terhadap klien yang berniat jahat, rosak, atau tidak boleh dipercayai. Daripada merata-ratakan kecerunan klien secara naif, kaedah pengagregatan yang teguh seperti median koordinat-bijak atau Krum menapis kemas kini yang berbahaya supaya minoriti peserta adversarial tidak dapat menggagalkan latihan.
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
- 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 ↗
Cara memetik halaman ini
ScholarGate. (2026, June 3). Robust Federated Learning (Byzantine-Tolerant Distributed Training). ScholarGate. https://scholargate.app/ms/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.
- Pembelajaran Bersekutu BayesianPembelajaran Mesin↔ compare
- Pembelajaran BersekutuPrivasi↔ compare
- Pembelajaran Bersekutu Dalam TalianPembelajaran Mesin↔ compare
- Peningkatan Kecerunan TeguhPembelajaran Mesin↔ compare
- Pembelajaran Bersekutu Separuh Selia (Semi-supervised Federated Learning)Pembelajaran Mesin↔ compare
- Pembelajaran PindahanPembelajaran Mesin↔ compare
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →