Надежное федеративное обучение
Надежное федеративное обучение (Robust Federated Learning) расширяет стандартное федеративное обучение правилами агрегации, устойчивыми к византийским сбоям, которые защищают глобальную модель от вредоносных, поврежденных или ненадежных клиентов. Вместо наивного усреднения градиентов клиентов, методы надежной агрегации, такие как покомпонентная медиана (coordinate-wise median) или Krum, отфильтровывают вредоносные обновления, так что меньшинство злонамеренных участников не может сорвать обучение.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Источники
- 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 ↗
Как цитировать эту страницу
ScholarGate. (2026, June 3). Robust Federated Learning (Byzantine-Tolerant Distributed Training). ScholarGate. https://scholargate.app/ru/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.
- Байесовское федеративное обучениеМашинное обучение↔ compare
- Федеративное обучениеКонфиденциальность↔ compare
- Онлайновое федеративное обучениеМашинное обучение↔ compare
- Robust Gradient BoostingМашинное обучение↔ compare
- Полуавтономное федеративное обучениеМашинное обучение↔ compare
- Перенос обученияМашинное обучение↔ compare
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →