Të mësuarit e Federuar të Rregulluar
Të mësuarit e federuar të rregulluar shtrin kornizën e të mësuarit të federuar duke shtuar terma penalizues në objektivin lokal të secilit klient, duke lidhur përditësimet lokale më afër modelit global. Formulimi kanonik - FedProx - shton një term proksimal që kontrollon sa larg mund të largohet një klient i vetëm, duke përmirësuar konvergjencën dhe stabilitetin kur shpërndarjet e të dhënave të klientëve ndryshojnë ndjeshëm.
Lexoni metodën e plotë
Hyni me një llogari falas për ta lexuar këtë seksion.
Method map
The neighbourhood of related methods — select a node to explore.
Burimet
- 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 ↗
Si ta citoni këtë faqe
ScholarGate. (2026, June 3). Regularized Federated Learning (Proximal and Penalty-Based Approaches). ScholarGate. https://scholargate.app/sq/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.
- Mësimi i ShtrirëPrivatësia↔ compare
- Mësimi OnlineMësimi i makinës↔ compare
- Përforcimi i Gradientit të RregulluarMësimi i makinës↔ compare
- Regresioni logjistik i rregulluarMësimi i makinës↔ compare
- Mësimi Gjysmë i MbikëqyrurMësimi i makinës↔ compare
- Mësimi i TransferueshëmMësimi i makinës↔ compare
Vutë re një problem në këtë faqe? Raportojeni ose sugjeroni një korrigjim →