Pembelajaran Bersekutu Separuh Selia (Semi-supervised Federated Learning)

Pembelajaran bersekutu separuh selia (SSFL) melatih model kongsi merentasi ramai klien terdesentralisasi — setiap satu memegang data peribadi — apabila hanya sebahagian daripada klien atau sebahagian sampel tempatan mempunyai label. Ia menggabungkan penyelarasan yang memelihara privasi bagi pembelajaran bersekutu dengan kecekapan label bagi teknik separuh selia seperti pelabelan pseudo dan peneguhan ketekalan, membolehkan kualiti model yang kukuh tanpa memusatkan data sensitif.