Învățare federativă semi-supervizată
Învățarea federativă semi-supervizată (SSFL) antrenează un model partajat pe mulți clienți descentralizați — fiecare deținând date private — atunci când doar un subset de clienți sau un subset de eșantioane locale poartă etichete. Combină coordonarea de protecție a confidențialității a învățării federative cu eficiența etichetelor a tehnicilor semi-supervizate, cum ar fi pseudo-etichetarea și regularizarea consistenței, permițând o calitate puternică a modelului fără centralizarea datelor sensibile.
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
- 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 ↗
Cum se citează această pagină
ScholarGate. (2026, June 3). Semi-supervised Federated Learning. ScholarGate. https://scholargate.app/ro/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.
- Învățare federatăConfidențialitate↔ compare
- Învățare cu puține exempleÎnvățare automată↔ compare
- Învățare federată onlineÎnvățare automată↔ compare
- Învățare auto-supervizatăÎnvățare automată↔ compare
- Învățare semi-supervizatăÎnvățare automată↔ compare
- Învățare prin transferÎnvățare automată↔ compare
Citat de
Ai observat o problemă pe această pagină? Raportează sau sugerează o corectură →