Байесов федеративно обучение
Байесовото федеративно обучение комбинира федеративно обучение — при което обучението на модела е разпределено между множество клиенти без споделяне на сурови данни — с байесов извод, така че всеки клиент поддържа апостериорно разпределение върху параметрите на модела, а не единична точкова оценка. Това води до принципно количествено определяне на несигурността и по-стабилно агрегиране на модели в хетерогенни, запазващи поверителността силози от данни.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Източници
- Yurochkin, M., Agarwal, M., Ghosh, S., Greenewald, K., Hoang, N., & Khazaeni, Y. (2019). Bayesian Nonparametric Federated Learning of Neural Networks. Proceedings of the 36th International Conference on Machine Learning (ICML 2019), PMLR 97, 7101–7110. link ↗
- Corinzia, L., & Buhmann, J. M. (2019). Variational Federated Multi-Task Learning. arXiv preprint arXiv:1906.06268. link ↗
Как да цитирате тази страница
ScholarGate. (2026, June 3). Bayesian Federated Learning (Probabilistic Federated Model Aggregation). ScholarGate. https://scholargate.app/bg/machine-learning/bayesian-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.
- Байесов логистичен регресионен моделБейсови методи↔ compare
- Байесов трансферно обучениеМашинно обучение↔ compare
- Федеративно ученеПоверителност↔ compare
- Гаусов процесМашинно обучение↔ compare
- Полу-наблюдавано федеративно обучениеМашинно обучение↔ compare
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →