การเรียนรู้แบบสหพันธ์กึ่งกำกับดูแล
การเรียนรู้แบบสหพันธ์กึ่งกำกับดูแล (SSFL) ฝึกฝนโมเดลที่ใช้ร่วมกันในไคลเอนต์แบบกระจายศูนย์จำนวนมาก ซึ่งแต่ละไคลเอนต์มีข้อมูลส่วนตัว โดยมีเพียงบางส่วนของไคลเอนต์หรือบางส่วนของตัวอย่างในเครื่องเท่านั้นที่มีป้ายกำกับ เป็นการผสมผสานการประสานงานที่รักษาความเป็นส่วนตัวของการเรียนรู้แบบสหพันธ์เข้ากับเทคนิคกึ่งกำกับดูแลที่มีประสิทธิภาพในการใช้ป้ายกำกับ เช่น การติดป้ายเทียม (pseudo-labeling) และการทำให้สอดคล้องกัน (consistency regularization) ทำให้ได้คุณภาพโมเดลที่ดีโดยไม่ต้องรวมศูนย์ข้อมูลที่ละเอียดอ่อน
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- 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 ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Semi-supervised Federated Learning. ScholarGate. https://scholargate.app/th/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.
- สหพันธ์การเรียนรู้ความเป็นส่วนตัว↔ compare
- การเรียนรู้แบบน้อยตัวอย่างการเรียนรู้ของเครื่อง↔ compare
- การเรียนรู้แบบสหพันธ์ออนไลน์การเรียนรู้ของเครื่อง↔ compare
- การเรียนรู้แบบกำกับดูแลตนเองการเรียนรู้ของเครื่อง↔ compare
- การเรียนรู้แบบกึ่งกำกับดูแลการเรียนรู้ของเครื่อง↔ compare
- การเรียนรู้แบบถ่ายโอนการเรียนรู้ของเครื่อง↔ compare