google emoji下載的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列訂位、菜單、價格優惠和問答集

在有限的訓練時間條件下使用部份標記資料實現個性化 分類和標記的聯邦學習系統

為了解決google emoji下載的問題，作者張珈銘 這樣論述：

近 年 來 因 為 資 料 隱 私 逐 漸 受 到 重 視 ， 人 們 開 始 拒 絕 與 不 信 任 的 第 三 方 共 享自己的資料。針對這個議題，聯邦學習（Federated Learning (FL)）提供了 只需要上傳訓練模型而不需要上傳私人資料的方法，並且為了改善在FL中直 接平均所有上傳模型所造成的個性化損失增加的問題，有研究員提出個性化 聯邦學習（Personalized Federated Learning (PFL)）的訓練框架。然而，現有 的FL和PFL大多是基於監督式學習的做法，這就代表它們會假設所有裝置擁有的 資料都是已標記資料。並且，在PFL中又更進一步的假設，裝

置在自己個性化的 目標上擁有足夠用於訓練的資料數量。 但是，在實際情況中不論是收集資料或是標記資料都會消耗大量的成本，因 此前述提到的兩種假設（資料已完成標記並且數量充足）都是非常不現實的。總 結上述，為了應對在現實中標記資料數量不足的問題，我們首先將該問題描述為 一個雙目標學習問題並且同時考慮時間的限制（Dual-objective Learning Problem with partially-labeled data within the constraints of training time （DoLP））。 簡單來說，DoLP包含兩個目標，首先是個性化分類目標，旨在找到最適合自己目

標資料集裡的已標記資料的模型; 其次是個性化標記目標，旨在找到最適合自己目 標資料集裡的未標記資料的模型，同時在固定訓練時間的條件下最小化個性化分 類與個性化標記的損失。接著我們提出了一種基於PFL的訓練框架Dual-objective Federated Learning System for Personalization and Partially-labeled Data (DoFed- PP)，希望透過DoFed-PP來解決DoLP所帶來的挑戰。此框架的特色在於每個裝 置都會訓練一個符合其訓練資料的模型，並且使用基於一階近似的相似度下載其 他裝置的模型來標記目標資料中未被標記的資料

來完成個性化標記目標。最終， 我們會透過師生架構的訓練方式來完成個性化分類目標。實驗結果顯示，不管是 在圖像或是文本資料集中，DoLP都優於其他FL或PFL的方法