Напівкероване федеративне навчання
Напівкероване федеративне навчання (SSFL) тренує спільну модель на багатьох децентралізованих клієнтах — кожен з яких зберігає приватні дані — коли лише підмножина клієнтів або підмножина локальних зразків містять мітки. Воно поєднує координацію федеративного навчання, що зберігає конфіденційність, із ефективністю використання міток напівкерованих методів, таких як псевдомаркування та регуляризація узгодженості, що дозволяє досягти високої якості моделі без централізації чутливих даних.
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
- 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 ↗
Як цитувати цю сторінку
ScholarGate. (2026, June 3). Semi-supervised Federated Learning. ScholarGate. https://scholargate.app/uk/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.
- Федеративне навчанняКонфіденційність↔ compare
- Навчання з малою кількістю прикладівМашинне навчання↔ compare
- Онлайнове федеративне навчанняМашинне навчання↔ compare
- Самокероване навчанняМашинне навчання↔ compare
- Напівкероване навчанняМашинне навчання↔ compare
- Трансферне навчанняМашинне навчання↔ compare
Згадується в
Помітили помилку на цій сторінці? Повідомте про неї або запропонуйте виправлення →