Bayesian Federated Learning
Bayesian Federated Learning kombinuje federované učení — kde se trénování modelu distribuuje napříč více klienty bez sdílení surových dat — s Bayesovskou inferencí, takže každý klient udržuje aposteriorní distribuci nad parametry modelu namísto jediné bodové odhady. To přináší principální kvantifikaci nejistoty a robustnější agregaci modelů napříč heterogenními datovými úložišti chránícími soukromí.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- 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 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Bayesian Federated Learning (Probabilistic Federated Model Aggregation). ScholarGate. https://scholargate.app/cs/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.
- Bayesovská logistická regreseBayesovská statistika↔ compare
- Bayesovské přenosové učeníStrojové učení↔ compare
- Federované učeníSoukromí↔ compare
- Gaussovský procesStrojové učení↔ compare
- Polozavedené federované učeníStrojové učení↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →