Învățare federată regularizată
Învățarea federată regularizată extinde cadrul învățării federate prin adăugarea de termeni de penalizare la obiectivul local al fiecărui client, ancorând actualizările locale mai aproape de modelul global. Formulația canonică — FedProx — adaugă un termen proximal care controlează cât de mult se poate abate un singur client, îmbunătățind convergența și stabilitatea atunci când distribuțiile datelor clienților diferă substanțial.
Citește metoda completă
Autentifică-te cu un cont gratuit pentru a citi această secțiune.
Method map
The neighbourhood of related methods — select a node to explore.
Surse
- 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 ↗
Cum se citează această pagină
ScholarGate. (2026, June 3). Regularized Federated Learning (Proximal and Penalty-Based Approaches). ScholarGate. https://scholargate.app/ro/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.
- Învățare federatăConfidențialitate↔ compare
- Învățare onlineÎnvățare automată↔ compare
- Gradient Boosting RegularizatÎnvățare automată↔ compare
- Regresia logistică regularizatăÎnvățare automată↔ compare
- Învățare semi-supervizatăÎnvățare automată↔ compare
- Învățare prin transferÎnvățare automată↔ compare
Ai observat o problemă pe această pagină? Raportează sau sugerează o corectură →