Робусно федеративно учење
Робусно федеративно учење проширује стандардно федеративно учење правилима агрегације толерантним на Византинце, која штите глобални модел од злонамерних, оштећених или непоузданих клијената. Уместо наивног просековања градијената клијената, методе робусне агрегације као што су медијана по координатама или Krum филтрирају штетне исправке тако да мањина учесника који делују против система не може да поремети обуку.
Pročitajte celu metodu
Prijavite se besplatnim nalogom da biste pročitali ovaj odeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Robust Federated Learning (Byzantine-Tolerant Distributed Training). ScholarGate. https://scholargate.app/sr/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.
- Bajezijansko federalizovano učenjeMašinsko učenje↔ compare
- Federated LearningPrivatnost↔ compare
- [CYRILLIC SCRIPT DETECTED - NEEDS LATIN CONVERSION]Mašinsko učenje↔ compare
- Робусно појачање градијентаMašinsko učenje↔ compare
- Polu-nadgledano savezno učenjeMašinsko učenje↔ compare
- Transferno učenjeMašinsko učenje↔ compare
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →