Bayesiläinen liitetty oppiminen
Bayesiläinen liitetty oppiminen (Bayesian Federated Learning) yhdistää liitetyn oppimisen – jossa mallin koulutus hajautetaan useille asiakkaille raakadataa jakamatta – Bayesiläiseen päättelyyn siten, että kukin asiakas ylläpitää posteriorijakaumaa malliparametreista yksittäisen pisteestimaatin sijaan. Tämä tuottaa periaatteellista epävarmuuden kvantifiointia ja vankempaa mallien aggregointia heterogeenisten, yksityisyyttä suojaavien data-siilojen yli.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- 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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Bayesian Federated Learning (Probabilistic Federated Model Aggregation). ScholarGate. https://scholargate.app/fi/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.
- Bayesilainen logistinen regressioBayesilainen tilastotiede↔ compare
- Bayesiläinen siirto-oppiminenKoneoppiminen↔ compare
- Hajautettu oppiminenYksityisyydensuoja↔ compare
- Gaussinen prosessiKoneoppiminen↔ compare
- Puolivalvottu hajautettu oppiminenKoneoppiminen↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →