Regularisert føderert læring
Regularisert føderert læring utvider rammeverket for føderert læring ved å legge til straffeledd til hver klients lokale målfunksjon, noe som forankrer lokale oppdateringer nærmere den globale modellen. Den kanoniske formuleringen — FedProx — legger til et proksimalt ledd som kontrollerer hvor langt en enkelt klient kan avvike, noe som forbedrer konvergens og stabilitet når klientenes datafordelinger avviker vesentlig.
Les hele metoden
Logg inn med en gratis konto for å lese denne delen.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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 ↗
Slik siterer du denne siden
ScholarGate. (2026, June 3). Regularized Federated Learning (Proximal and Penalty-Based Approaches). ScholarGate. https://scholargate.app/no/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.
- Føderert læringPersonvern↔ compare
- Online læringMaskinlæring↔ compare
- Regulert gradient-boostingMaskinlæring↔ compare
- Regulert logistisk regresjonMaskinlæring↔ compare
- Semiveiledet læringMaskinlæring↔ compare
- OverføringslæringMaskinlæring↔ compare
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →