Học Liên kết Mạnh mẽ
Học Liên kết Mạnh mẽ (Robust Federated Learning) mở rộng học liên kết tiêu chuẩn bằng các quy tắc tổng hợp chịu lỗi Byzantine, bảo vệ mô hình toàn cục khỏi các máy khách độc hại, bị hỏng hoặc không đáng tin cậy. Thay vì tính trung bình cộng các gradient của máy khách một cách ngây thơ, các phương pháp tổng hợp mạnh mẽ như trung vị theo tọa độ hoặc Krum sẽ lọc bỏ các cập nhật có hại để một thiểu số người tham gia đối địch không thể làm chệch hướng quá trình huấn luyện.
Đọc toàn bộ phương pháp
Đăng nhập bằng tài khoản miễn phí để đọc phần này.
Method map
The neighbourhood of related methods — select a node to explore.
Nguồn tài liệu
- Blanchard, P., El Mhamdi, E. M., Guerraoui, R., & Stainer, J. (2017). Machine Learning with Adversaries: Byzantine Tolerant Gradient Descent. Advances in Neural Information Processing Systems, 30. link ↗
- Yin, D., Chen, Y., Kannan, R., & Bartlett, P. (2018). Byzantine-Robust Distributed Learning: Towards Optimal Statistical Rates. Proceedings of the 35th International Conference on Machine Learning (ICML), PMLR 80:5650–5659. link ↗
Cách trích dẫn trang này
ScholarGate. (2026, June 3). Robust Federated Learning (Byzantine-Tolerant Distributed Training). ScholarGate. https://scholargate.app/vi/machine-learning/robust-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.
- Học Liên kết Bayes (Bayesian Federated Learning) kết hợp học liên kếtHọc máy↔ compare
- Học liên kếtQuyền riêng tư↔ compare
- Học Liên kết Trực tuyếnHọc máy↔ compare
- Khuếch đại Gradient Mạnh mẽHọc máy↔ compare
- Học Liên kết Bán Giám sátHọc máy↔ compare
- Transfer LearningHọc máy↔ compare
Phát hiện lỗi trên trang này? Báo cáo hoặc đề xuất chỉnh sửa →