Aprendizagem Federada Semi-supervisionada
A aprendizagem federada semi-supervisionada (SSFL) treina um modelo compartilhado em muitos clientes descentralizados — cada um detendo dados privados — quando apenas um subconjunto de clientes ou um subconjunto de amostras locais possui rótulos. Ela combina a coordenação de preservação de privacidade da aprendizagem federada com a eficiência de rótulos das técnicas semi-supervisionadas, como pseudo-rotulagem e regularização de consistência, permitindo alta qualidade do modelo sem centralizar dados sensíveis.
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
- 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 ↗
Como citar esta página
ScholarGate. (2026, June 3). Semi-supervised Federated Learning. ScholarGate. https://scholargate.app/pt/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.
- Aprendizagem FederadaPrivacidade↔ compare
- Aprendizado com Poucos ExemplosAprendizado de máquina↔ compare
- Aprendizagem Federada OnlineAprendizado de máquina↔ compare
- Aprendizado AutossupervisionadoAprendizado de máquina↔ compare
- Aprendizado Semi-supervisionadoAprendizado de máquina↔ compare
- Aprendizagem por TransferênciaAprendizado de máquina↔ compare
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →