Регуляризованное федеративное обучение
Регуляризованное федеративное обучение расширяет фреймворк федеративного обучения путем добавления штрафных членов к локальной целевой функции каждого клиента, приближая локальные обновления к глобальной модели. Каноническая формулировка — FedProx — добавляет проксимальный член, который контролирует, насколько далеко может отклониться отдельный клиент, улучшая сходимость и стабильность при существенных различиях в распределениях данных клиентов.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Источники
- 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 ↗
Как цитировать эту страницу
ScholarGate. (2026, June 3). Regularized Federated Learning (Proximal and Penalty-Based Approaches). ScholarGate. https://scholargate.app/ru/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.
- Федеративное обучениеКонфиденциальность↔ compare
- Онлайн-обучениеМашинное обучение↔ compare
- Регуляризованный градиентный бустингМашинное обучение↔ compare
- Регуляризованная логистическая регрессияМашинное обучение↔ compare
- Обучение с частичной разметкойМашинное обучение↔ compare
- Перенос обученияМашинное обучение↔ compare
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →