เปรียบเทียบวิธี

	การเรียนรู้แบบสหพันธ์ที่ทนทาน	การเรียนรู้แบบสหพันธ์กึ่งกำกับดูแล
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2017	2020
ผู้ริเริ่ม	Blanchard, P.; El Mhamdi, E. M.; Guerraoui, R.	Jeong, W. et al. / multiple independent groups
ประเภท	Distributed learning with Byzantine-tolerant aggregation	Distributed semi-supervised learning framework
แหล่งต้นตำรับ	Blanchard, P., El Mhamdi, E. M., Guerraoui, R., & Stainer, J. (2017). Machine Learning with Adversaries: Byzantine Tolerant Gradient Descent. Advances in Neural Information Processing Systems, 30.	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).
ชื่อเรียกอื่น	Byzantine-robust federated learning, fault-tolerant federated learning, robust FL, Byzantine-tolerant distributed learning	SSL-FL, federated semi-supervised learning, FSSL, semi-supervised distributed learning
ที่เกี่ยวข้อง	6	6
สรุป	Robust Federated Learning extends standard federated learning with Byzantine-tolerant aggregation rules that protect the global model against malicious, corrupted, or unreliable clients. Instead of naively averaging client gradients, robust aggregation methods such as coordinate-wise median or Krum filter out harmful updates so that a minority of adversarial participants cannot derail training.	Semi-supervised federated learning (SSFL) trains a shared model across many decentralized clients — each holding private data — when only a subset of clients or a subset of local samples carry labels. It combines the privacy-preserving coordination of federated learning with the label-efficiency of semi-supervised techniques such as pseudo-labeling and consistency regularization, enabling strong model quality without centralizing sensitive data.