Odporne uczenie federacyjne
Odporne uczenie federacyjne rozszerza standardowe uczenie federacyjne o odporne na błędy bizantyjskie reguły agregacji, które chronią globalny model przed złośliwymi, uszkodzonymi lub zawodnymi klientami. Zamiast naiwnego uśredniania gradientów klientów, odporne metody agregacji, takie jak mediana współrzędnych lub Krum, odfiltrowują szkodliwe aktualizacje, tak aby mniejszość uczestników będących przeciwnikami nie mogła zakłócić treningu.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
Źródła
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Robust Federated Learning (Byzantine-Tolerant Distributed Training). ScholarGate. https://scholargate.app/pl/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.
- Bayesowskie uczenie federacyjneUczenie maszynowe↔ compare
- Uczenie federacyjnePrywatność↔ compare
- Uczenie Federacyjne OnlineUczenie maszynowe↔ compare
- Robust Gradient BoostingUczenie maszynowe↔ compare
- Półnadzorowane uczenie federacyjneUczenie maszynowe↔ compare
- Uczenie transferoweUczenie maszynowe↔ compare
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →