Záznam dôkazov metódy
Regularized Federated Learning
Regularized federated learning extends the federated learning framework by adding penalty terms to each client's local objective, anchoring local updates closer to the global model. The canonical formulation — FedProx — adds a proximal term that controls how far any single client can drift, improving convergence and stability when client data distributions differ substantially.
Zdrojový záznam
Citácie skopírované doslovne zo zdrojového záznamu metódy. Nevyplýva z nich žiadne overenie na úrovni tvrdenia.
Regularized Federated Learning (Proximal and Penalty-Based Approaches)
Taxonomický záznam metódy · ml-model / machine-learning
- 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. · URL
- 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. · URL
Spracované tvrdenia
Tvrdenia uložené v registri dôkazov, každé s vlastným hodnotením.
Zatiaľ žiadne spracované tvrdenia
Tento pohľad nevymýšľa hodnotenie tvrdenia, ak register žiadne nemá.
Súvisiace metódy
Vygenerované z grafu metód a zobrazené ako vzťahy navrhnuté strojom – nevyplýva z nich žiadne tvrdenie o dôkaze.