Învățare federată robustă
Învățarea federată robustă extinde învățarea federată standard cu reguli de agregare tolerante la erori bizantine, care protejează modelul global împotriva clienților malițioși, corupți sau nesiguri. În loc să medieze naiv gradienții clienților, metodele de agregare robuste, cum ar fi mediana pe coordonate sau Krum, filtrează actualizările dăunătoare, astfel încât o minoritate de participanți adverși să nu poată deturna antrenamentul.
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
- 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 ↗
Cum se citează această pagină
ScholarGate. (2026, June 3). Robust Federated Learning (Byzantine-Tolerant Distributed Training). ScholarGate. https://scholargate.app/ro/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.
- Învățare federată bayesianăÎnvățare automată↔ compare
- Învățare federatăConfidențialitate↔ compare
- Învățare federată onlineÎnvățare automată↔ compare
- Gradient Boosting RobustÎnvățare automată↔ compare
- Învățare federativă semi-supervizatăÎnvățare automată↔ compare
- Învățare prin transferÎnvățare automată↔ compare
Ai observat o problemă pe această pagină? Raportează sau sugerează o corectură →