Regulované federované učenie
Regulované federované učenie rozširuje rámec federovaného učenia pridaním penalizačných členov do lokálnej cieľovej funkcie každého klienta, čím ukotvuje lokálne aktualizácie bližšie k globálnemu modelu. Kanonická formulácia – FedProx – pridáva proxímalny člen, ktorý kontroluje, ako ďaleko môže akýkoľvek jednotlivý klient odbočiť, čím zlepšuje konvergenciu a stabilitu, keď sa distribúcie údajov klientov podstatne líšia.
Prečítať celú metódu
Ak si chcete prečítať túto sekciu, prihláste sa s bezplatným účtom.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- 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 ↗
Ako citovať túto stránku
ScholarGate. (2026, June 3). Regularized Federated Learning (Proximal and Penalty-Based Approaches). ScholarGate. https://scholargate.app/sk/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.
- Federated LearningSúkromie↔ compare
- Online učenieStrojové učenie↔ compare
- Regularizované zosilňovanie gradientuStrojové učenie↔ compare
- Regularizovaná logistická regresiaStrojové učenie↔ compare
- Polosupervizované učenieStrojové učenie↔ compare
- Prenosové učenieStrojové učenie↔ compare
Našli ste na tejto stránke chybu? Nahláste ju alebo navrhnite opravu →