Regularized Federated Learning
Regularized federated learning เป็นการขยายกรอบการทำงานของ federated learning โดยการเพิ่มพจน์ลงโทษ (penalty terms) เข้าไปใน objective function ของแต่ละ client เพื่อยึด (anchor) การอัปเดตภายในเครื่อง (local updates) ให้ใกล้ชิดกับโมเดลส่วนกลาง (global model) มากขึ้น สูตรมาตรฐาน — FedProx — เพิ่ม proximal term ที่ควบคุมว่า client แต่ละรายสามารถเปลี่ยนแปลงไปจากเดิมได้มากน้อยเพียงใด ซึ่งช่วยปรับปรุงการลู่เข้า (convergence) และเสถียรภาพ (stability) เมื่อการกระจายตัวของข้อมูล client มีความแตกต่างกันอย่างมาก
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- 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 ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Regularized Federated Learning (Proximal and Penalty-Based Approaches). ScholarGate. https://scholargate.app/th/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.
- สหพันธ์การเรียนรู้ความเป็นส่วนตัว↔ compare
- การเรียนรู้แบบออนไลน์การเรียนรู้ของเครื่อง↔ compare
- การเพิ่มกำลังไล่ระดับแบบปรับให้เหมาะสมการเรียนรู้ของเครื่อง↔ compare
- Regularized Logistic Regressionการเรียนรู้ของเครื่อง↔ compare
- การเรียนรู้แบบกึ่งกำกับดูแลการเรียนรู้ของเครื่อง↔ compare
- การเรียนรู้แบบถ่ายโอนการเรียนรู้ของเครื่อง↔ compare