เปรียบเทียบวิธี

	Regularized Federated Learning	การเพิ่มกำลังไล่ระดับแบบปรับให้เหมาะสม
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2020	2001 (gradient boosting); 2016 (explicit L1/L2 regularization in XGBoost)
ผู้ริเริ่ม	Li, T. et al. (FedProx); McMahan, B. et al. (FedAvg base)	Chen, T. & Guestrin, C. (building on Friedman, J. H.)
ประเภท	Distributed optimization with regularization	Regularized ensemble (additive tree model)
แหล่งต้นตำรับ	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.	Chen, T. & Guestrin, C. (2016). XGBoost: A scalable tree boosting system. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 785–794.
ชื่อเรียกอื่น	FedProx, federated learning with regularization, proximal federated learning, penalized federated optimization	penalized gradient boosting, shrinkage-regularized boosting, XGBoost-style regularization, L1/L2 gradient boosting
ที่เกี่ยวข้อง	6	6
สรุป	Regularized federated learning extends the federated learning framework by adding penalty terms to each client's local objective, anchoring local updates closer to the global model. The canonical formulation — FedProx — adds a proximal term that controls how far any single client can drift, improving convergence and stability when client data distributions differ substantially.	Regularized gradient boosting extends the classic additive tree ensemble (Friedman 2001) by embedding L1 and L2 penalty terms directly into the training objective, along with a complexity penalty on tree size. Popularized by XGBoost (Chen & Guestrin 2016), this framework reduces overfitting and improves generalization compared to unpenalized boosting, while retaining the method's characteristic accuracy on tabular data.