เปรียบเทียบวิธี

	Regularized Federated Learning	การเรียนรู้แบบถ่ายโอน
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2020	2010 (formalized); 1990s (early roots)
ผู้ริเริ่ม	Li, T. et al. (FedProx); McMahan, B. et al. (FedAvg base)	Pan, S. J. & Yang, Q. (survey); Bengio, Y. (deep learning framing)
ประเภท	Distributed optimization with regularization	Learning paradigm
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.	Pan, S. J., & Yang, Q. (2010). A Survey on Transfer Learning. IEEE Transactions on Knowledge and Data Engineering, 22(10), 1345–1359.
ชื่อเรียกอื่น	FedProx, federated learning with regularization, proximal federated learning, penalized federated optimization	TL, domain adaptation, fine-tuning, pre-trained model adaptation
ที่เกี่ยวข้อง	6	3
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.	Transfer learning is a machine learning paradigm in which knowledge gained from training a model on a source task or domain is reused to improve learning on a different but related target task or domain. It is especially powerful when labeled data for the target task is scarce, and it underlies most modern deep learning applications in computer vision, natural language processing, and beyond.