Bayesiansk fødereret læring
Bayesiansk fødereret læring kombinerer fødereret læring — hvor modeltræning er distribueret på tværs af flere klienter uden deling af rådata — med Bayesiansk inferens, således at hver klient opretholder en posterior-fordeling over modelparametre snarere end et enkelt punktestimat. Dette giver principiel usikkerhedskvantificering og mere robust modelaggregering på tværs af heterogene, privatlivsbevarende datasiloer.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Bayesian Federated Learning (Probabilistic Federated Model Aggregation). ScholarGate. https://scholargate.app/da/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.
- Bayesiansk logistisk regressionBayesiansk↔ compare
- Bayesiansk overføringslæringMaskinlæring↔ compare
- Fødereret læringPrivatlivsbeskyttelse↔ compare
- Gaussisk procesMaskinlæring↔ compare
- Semi-supervised Federated LearningMaskinlæring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →