Bayesian Federated Learning
Bayesian Federated Learning kombiniert Federated Learning – bei dem das Modelltraining über mehrere Clients verteilt wird, ohne Rohdaten zu teilen – mit bayesianischer Inferenz, sodass jeder Client eine Posterior-Verteilung über Modellparameter anstelle einer einzelnen Punktschätzung beibehält. Dies führt zu einer prinzipienfesten Unsicherheitsquantifizierung und einer robusteren Modellaggregation über heterogene, datenschutzwahrende Datensilos hinweg.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Bayesian Federated Learning (Probabilistic Federated Model Aggregation). ScholarGate. https://scholargate.app/de/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.
- Bayesian Logistic RegressionBayes-Statistik↔ compare
- Bayesianisches Transfer-LernenMaschinelles Lernen↔ compare
- Föderiertes LernenDatenschutz↔ compare
- Gauß-ProzessMaschinelles Lernen↔ compare
- Semi-überwachtes Föderiertes LernenMaschinelles Lernen↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →