Полуавтономное федеративное обучение
Полуавтономное федеративное обучение (SSFL) обучает общую модель на множестве децентрализованных клиентов — каждый из которых хранит частные данные — когда метки присутствуют только у подмножества клиентов или подмножества локальных выборок. Оно сочетает координацию федеративного обучения, сохраняющую конфиденциальность, с эффективностью использования меток полуавтономных методов, таких как псевдо-маркировка и регуляризация согласованности, что позволяет достичь высокого качества модели без централизации конфиденциальных данных.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Источники
- 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 ↗
Как цитировать эту страницу
ScholarGate. (2026, June 3). Semi-supervised Federated Learning. ScholarGate. https://scholargate.app/ru/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.
- Федеративное обучениеКонфиденциальность↔ compare
- Обучение на малом числе примеров (Few-shot Learning)Машинное обучение↔ compare
- Онлайновое федеративное обучениеМашинное обучение↔ compare
- Самообучение с учителемМашинное обучение↔ compare
- Обучение с частичной разметкойМашинное обучение↔ compare
- Перенос обученияМашинное обучение↔ compare
Упоминается в
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →