Glosario IA
El diccionario completo de la Inteligencia Artificial
FedAvg (Promedio Federado)
Algoritmo de agregación fundamental en aprendizaje federado que calcula el promedio ponderado de los pesos de los modelos locales según el tamaño de los datasets de los clientes para crear un modelo global.
FedProx (Proximal Federado)
Extensión de FedAvg que añade un término de regularización proximal para restringir las actualizaciones locales a permanecer cerca del modelo global, reduciendo así la heterogeneidad de los clientes.
SCAFFOLD (Promedio Estocástico Controlado)
Algoritmo de agregación avanzado que utiliza variables de control para corregir los sesgos de desviación cliente-servidor y reducir el impacto de la heterogeneidad de los datos.
FedBN (Normalización por Lotes Federada)
Método de agregación que mantiene estadísticas de normalización por lotes locales específicas para cada cliente mientras comparte los demás parámetros del modelo.
FedOpt (Optimización Federada)
Familia de algoritmos que utiliza optimizadores de servidor avanzados (Adam, Yogi) para mejorar la convergencia en escenarios de aprendizaje federado no-iid.
FedMA (Promedio de Emparejamiento Federado)
Algoritmo de agregación neuronal que empareja y promedia neuronas similares entre modelos locales en lugar de agregar directamente los pesos.
FedNova (Promedio Normalizado Federado)
Método que normaliza las actualizaciones locales por el número de pasos de optimización locales para corregir sesgos de agregación en entornos heterogéneos.
FedYogi
Optimizador adaptativo para aprendizaje federado que combina FedAvg con el algoritmo Yogi para una mejor adaptación a distribuciones de datos no-iid.
FedAdam
Variante de FedAvg que incorpora el optimizador Adam en el lado del servidor para gestionar dinámicamente las tasas de aprendizaje y mejorar la convergencia.
FedPer (Federated Personalization)
Arquitectura que divide el modelo en base global y capas de personalización locales, permitiendo una adaptación específica para cada cliente.
FedRep (Federated Representation Learning)
Método que separa el aprendizaje de representaciones (global) y clasificadores (local) para optimizar el rendimiento en datos heterogéneos.
FedCurv (Federated Curvature)
Algoritmo que incorpora información de curvatura de Fisher para mejorar la agregación en escenarios con alta heterogeneidad de clientes.
FedSGD (Federated Stochastic Gradient Descent)
Variante básica donde los clientes realizan una sola pasada de gradiente antes de la agregación, reduciendo el cálculo local pero aumentando la comunicación.
FedDist (Federated Distillation)
Método de agregación basado en la destilación de conocimientos donde los clientes comparten sus salidas softmax en lugar de los pesos del modelo.
FedAdagrad
Combinación de FedAvg con el optimizador Adagrad en el lado del servidor para adaptar las tasas de aprendizaje según el historial de gradientes.
FedBN+ (Federated Batch Normalization Plus)
Extensión avanzada de FedBN que utiliza estadísticas de normalización híbridas locales y globales para equilibrar generalización y personalización.
FedMLD (Federated Multi-Layer Distillation)
Technique de distillation appliquée à plusieurs couches du modèle pour transférer efficacement les connaissances entre clients hétérogènes.
FedAMP (Federated Adaptive Multi-Proxy)
Méthode utilisant des proxys multiples adaptatifs pour représenter les différentes distributions de données clients lors de l'agrégation.
FedRL (Federated Reinforcement Learning)
Paradigme d'agrégation spécifique aux modèles d'apprentissage par renforcement distribué combinant politiques locales optimales.
FedCV (Federated Computer Vision)
Ensemble d'algorithmes d'agrégation spécialisés pour les modèles de vision par ordinateur traitant des données d'images distribuées.