Yarı denetimli Federe Öğrenme
Semi-supervised Federated Learning · Ayrıca şöyle bilinir: SSL-FL, federated semi-supervised learning, FSSL, semi-supervised distributed learning
Yarı denetimli federe öğrenme (SSFL), yalnızca istemcilerin bir alt kümesinin veya yerel örneklerin bir alt kümesinin etiket taşıdığı durumlarda, özel veriler barındıran birçok merkezi olmayan istemci arasında paylaşılan bir modeli eğitir. Bu yöntem, federe öğrenmenin gizliliği koruyan koordinasyonunu, etiket verimliliği yüksek yarı denetimli tekniklerle (örneğin, sözde etiketleme ve tutarlılık düzenlemesi) birleştirerek, hassas verileri merkezileştirmeden güçlü model kalitesi sağlar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Verilerin, ham kayıtları paylaşamayan (gizlilik, düzenleme veya bant genişliği kısıtlamaları) cihazlar veya kurumlar arasında dağıldığı ve bu verilerin yalnızca küçük bir kısmının etiketlendiği durumlarda yarı denetimli federe öğrenmeyi seçin. İdeal ortamlar arasında hastaneler arası tıbbi görüntüleme, mobil klavye tahmini ve endüstriyel sensör izleme yer alır. Verileri gizlilik riski olmadan merkezileştirebiliyorsanız (merkezi yarı denetimli öğrenme daha basittir ve genellikle daha yüksek doğruluk elde eder) SSFL'den kaçının. Ayrıca, tüm istemcilerin bol miktarda etiketi varsa (saf federe öğrenme yeterlidir) veya iletişim bütçesi son derece sınırlıysa (tur başına gereken yerel yinelemeler yüksektir) kaçının.
Güçlü yönler & sınırlılıklar
- Ham örnekleri cihazda tutarak ve yalnızca model güncellemelerini paylaşarak veri gizliliğini korur.
- Aksi takdirde boşa gidecek büyük miktarda etiketlenmemiş dağıtılmış veriden yararlanır.
- Etiket eşdeğerliği gerektirmeden birçok heterojen istemciye ölçeklenir.
- Ek koruma için diferansiyel gizlilik ve güvenli toplama ile uyumludur.
- Tam denetimli federe öğrenmeye kıyasla etiketleme maliyetini önemli ölçüde azaltır.
- İletişim yükü önemlidir: birden fazla yükleme ve indirme turu gereklidir.
- TÜM (heterojen) istemci dağılımları küresel model kaymasına ve yavaş yakınsamaya neden olabilir.
- Yerel olarak oluşturulan sözde etiketler, özellikle modelin kararlı hale gelmeden önceki eğitimin erken aşamalarında gürültülü olabilir.
- Ayarlama karmaşıktır — tutarlılık kaybı ağırlıkları, sözde etiket güven eşikleri ve yerel epok sayısı etkileşim halindedir.
SSS
Standart federe öğrenmeden farkı nedir?
Standart federe öğrenme, her istemcinin etiketlenmiş veriye sahip olduğunu varsayar ve tamamen denetimli olarak eğitir. SSFL, etiketlenmemiş yerel verilerden sinyal çıkarmak için yarı denetimli hedefleri (sözde etiketleme, tutarlılık düzenlemesi) kullanarak etiketsiz istemcileri açıkça ele alır.
İstemci etiket dağılımları çok farklı olduğunda ne olur?
Heterojen etiket dağılımları (TÜM veriler) ana zorluktur. FedProx, SCAFFOLD veya istemciler arası tutarlılık kayıpları gibi teknikler eğitimi stabilize etmeye yardımcı olur; bunlar olmadan küresel model iyi etiketlenmiş istemcilere doğru kayabilir ve başka yerlerde kötü performans gösterebilir.
SSFL gizlilik garantileri sağlar mı?
Tasarım gereği SSFL ham veri göndermekten kaçınır, ancak model güncellemeleri yine de bilgi sızdırabilir. Diferansiyel gizlilik (gradyanları kırpma ve gürültü ekleme) veya güvenli çok taraflı toplama eklemek, model doğruluğundan bir miktar ödün vererek daha güçlü resmi garantiler sağlar.
Tipik olarak kaç iletişim turu gereklidir?
Yakınsama, veri heterojenliğine, model boyutuna ve yerel epok sayısına bağlıdır. Pratik uygulamalar genellikle 50 ila 500 tur arasında çalışır; sunucu tarafında etiketlenmiş verilerin doğrulanmasına dayalı erken durdurma önerilir.
SSFL'yi başlatmak için önceden eğitilmiş modeller kullanabilir miyim?
Evet ve şiddetle tavsiye edilir. Güçlü bir önceden eğitilmiş omurgadan (örneğin, bir görsel veya dil modeli) başlatmak, erken sözde etiketleri stabilize eder, yakınsamayı hızlandırır ve gereken tur sayısını önemli ölçüde azaltır.
Kaynaklar
- 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 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Semi-supervised Federated Learning. ScholarGate. https://scholargate.app/tr/machine-learning/semi-supervised-federated-learning
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Federated LearningGizlilik↔ karşılaştır
- Az sayıda örnekle öğrenmeMakine öğrenmesi↔ karşılaştır
- Çevrimiçi Birleşik ÖğrenmeMakine öğrenmesi↔ karşılaştır
- Öz-denetimli ÖğrenmeMakine öğrenmesi↔ karşılaştır
- Yarı denetimli ÖğrenmeMakine öğrenmesi↔ karşılaştır
- Transfer LearningMakine öğrenmesi↔ karşılaştır