Optimización federada del aprendizaje escaso regularizado con norma -norma
Autores: Tong, Qianqian; Liang, Guannan; Ding, Jiahao; Zhu, Tan; Pan, Miao; Bi, Jinbo
Idioma: Inglés
Editor: MDPI
Año: 2022
Acceso abierto
Artículo científico
2022
Optimización federada del aprendizaje escaso regularizado con norma -norma
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería de Software
Palabras clave
Aprendizaje regularizado
Aprendizaje disperso
Umbral duro iterativo
Entorno federado
Garantías teóricas
Datos descentralizados
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 24
Citaciones: Sin citaciones
El aprendizaje regularizado y escaso con la norma L1 es importante en muchas áreas, incluido el aprendizaje estadístico y el procesamiento de señales. Los métodos de umbral duro iterativo (IHT) son el estado del arte para el aprendizaje escaso con restricciones no convexas debido a su capacidad para recuperar el verdadero soporte y escalar con conjuntos de datos grandes.
Descripción
El aprendizaje regularizado y escaso con la norma L1 es importante en muchas áreas, incluido el aprendizaje estadístico y el procesamiento de señales. Los métodos de umbral duro iterativo (IHT) son el estado del arte para el aprendizaje escaso con restricciones no convexas debido a su capacidad para recuperar el verdadero soporte y escalar con conjuntos de datos grandes.