Регуляризоване федеративне навчання
Регуляризоване федеративне навчання розширює фреймворк федеративного навчання шляхом додавання штрафних членів до локального критерію кожного клієнта, що утримує локальні оновлення ближче до глобальної моделі. Канонічна формуляція — FedProx — додає проксимальний член, який контролює, наскільки далеко може відхилитися окремий клієнт, покращуючи збіжність та стабільність, коли розподіли даних клієнтів суттєво відрізняються.
Читати метод повністю
Увійдіть із безкоштовним обліковим записом, щоб прочитати цей розділ.
Method map
The neighbourhood of related methods — select a node to explore.
Джерела
- 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 ↗
Як цитувати цю сторінку
ScholarGate. (2026, June 3). Regularized Federated Learning (Proximal and Penalty-Based Approaches). ScholarGate. https://scholargate.app/uk/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.
- Федеративне навчанняКонфіденційність↔ compare
- Онлайн-навчанняМашинне навчання↔ compare
- Регуляризований градієнтний бустингМашинне навчання↔ compare
- Регуляризована логістична регресіяМашинне навчання↔ compare
- Напівкероване навчанняМашинне навчання↔ compare
- Трансферне навчанняМашинне навчання↔ compare
Помітили помилку на цій сторінці? Повідомте про неї або запропонуйте виправлення →