Reglerad federerad inlärning
Reglerad federerad inlärning utökar ramverket för federerad inlärning genom att lägga till strafftermer till varje klients lokala målfunktion, vilket förankrar lokala uppdateringar närmare den globala modellen. Den kanoniska formuleringen — FedProx — lägger till en proximal term som kontrollerar hur långt en enskild klient kan avvika, vilket förbättrar konvergens och stabilitet när klientdatafördelningar skiljer sig avsevärt.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
Källor
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Regularized Federated Learning (Proximal and Penalty-Based Approaches). ScholarGate. https://scholargate.app/sv/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.
- Federerad inlärningIntegritetsskydd↔ compare
- Online LearningMaskininlärning↔ compare
- Regulariserad gradientboostingMaskininlärning↔ compare
- Regulariserad logistisk regressionMaskininlärning↔ compare
- Semi-övervakad inlärningMaskininlärning↔ compare
- ÖverföringsinlärningMaskininlärning↔ compare
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →