Półnadzorowane uczenie federacyjne
Półnadzorowane uczenie federacyjne (SSFL) trenuje wspólny model na wielu zdecentralizowanych klientach — z których każdy przechowuje prywatne dane — gdy tylko podzbiór klientów lub podzbiór lokalnych próbek zawiera etykiety. Łączy koordynację uczenia federacyjnego chroniącą prywatność z efektywnością wykorzystania etykiet technik półnadzorowanych, takich jak pseudoetykietowanie i regularyzacja spójności, umożliwiając wysoką jakość modelu bez centralizacji wrażliwych danych.
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
- Jeong, W., Yoon, J., Yang, E., & Hwang, S. J. (2020). Federated Semi-Supervised Learning with Inter-Client Consistency. International Conference on Learning Representations (ICLR 2021). link ↗
- Zhang, Z., Chen, Y., Yu, H., & Lu, J. (2021). SemiFed: Semi-supervised Federated Learning with Consistency and Pseudo-Labeling. arXiv preprint arXiv:2108.09412. link ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Semi-supervised Federated Learning. ScholarGate. https://scholargate.app/pl/machine-learning/semi-supervised-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.
- Uczenie federacyjnePrywatność↔ compare
- Uczenie z niewielką liczbą przykładówUczenie maszynowe↔ compare
- Uczenie Federacyjne OnlineUczenie maszynowe↔ compare
- Uczenie samo nadzorowaneUczenie maszynowe↔ compare
- Uczenie ze wsparciem częściowymUczenie maszynowe↔ compare
- Uczenie transferoweUczenie maszynowe↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →