Polu-nadgledano savezno učenje
Polu-nadgledano savezno učenje (SSFL) obučava deljeni model na mnogo decentralizovanih klijenata — od kojih svaki poseduje privatne podatke — kada samo podskup klijenata ili podskup lokalnih uzoraka poseduje oznake. Kombinuje koordinaciju saveznom učenju koja čuva privatnost sa efikasnošću oznaka polu-nadgledanih tehnika kao što su pseudo-označavanje i regulacija konzistentnosti, omogućavajući snažan kvalitet modela bez centralizacije osetljivih podataka.
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
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Semi-supervised Federated Learning. ScholarGate. https://scholargate.app/sr/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.
- Federated LearningPrivatnost↔ compare
- Učenje sa malo primera (Few-shot Learning)Mašinsko učenje↔ compare
- [CYRILLIC SCRIPT DETECTED - NEEDS LATIN CONVERSION]Mašinsko učenje↔ compare
- Samostalno učenjeMašinsko učenje↔ compare
- Semi-supervised LearningMašinsko učenje↔ compare
- Transferno učenjeMašinsko učenje↔ compare
Citirana u
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →