Aprendizado Federado Regularizado
O aprendizado federado regularizado estende o framework de aprendizado federado adicionando termos de penalidade ao objetivo local de cada cliente, ancorando as atualizações locais mais perto do modelo global. A formulação canônica — FedProx — adiciona um termo proximal que controla o quão longe um único cliente pode se desviar, melhorando a convergência e a estabilidade quando as distribuições de dados dos clientes diferem substancialmente.
Leia o método completo
Entre com uma conta gratuita para ler esta seção.
Method map
The neighbourhood of related methods — select a node to explore.
Fontes
- 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 ↗
Como citar esta página
ScholarGate. (2026, June 3). Regularized Federated Learning (Proximal and Penalty-Based Approaches). ScholarGate. https://scholargate.app/pt/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.
- Aprendizagem FederadaPrivacidade↔ compare
- Aprendizado OnlineAprendizado de máquina↔ compare
- Gradient Boosting RegularizadoAprendizado de máquina↔ compare
- Regressão Logística RegularizadaAprendizado de máquina↔ compare
- Aprendizado Semi-supervisionadoAprendizado de máquina↔ compare
- Aprendizagem por TransferênciaAprendizado de máquina↔ compare
Encontrou um problema nesta página? Relate ou sugira uma correção →