Semi-övervakad federerad inlärning
Semi-övervakad federerad inlärning (SSFL) tränar en delad modell över många decentraliserade klienter — var och en med privat data — när endast en delmängd av klienter eller en delmängd av lokala sampel bär etiketter. Den kombinerar den integritetsskyddande koordineringen av federerad inlärning med etikett-effektiviteten hos semi-övervakade tekniker som pseudo-etikettering och konsistensregularisering, vilket möjliggör hög modellkvalitet utan att centralisera känslig data.
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
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Semi-supervised Federated Learning. ScholarGate. https://scholargate.app/sv/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.
- Federerad inlärningIntegritetsskydd↔ compare
- Few-shot LearningMaskininlärning↔ compare
- Online Federated LearningMaskininlärning↔ compare
- Självövervakad inlärningMaskininlärning↔ compare
- Semi-övervakad inlärningMaskininlärning↔ compare
- ÖverföringsinlärningMaskininlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →