Apprentissage Fédéré Bayésien
L'apprentissage fédéré bayésien combine l'apprentissage fédéré — où l'entraînement du modèle est distribué sur plusieurs clients sans partage de données brutes — avec l'inférence bayésienne, de sorte que chaque client maintient une distribution a posteriori sur les paramètres du modèle plutôt qu'une estimation ponctuelle unique. Cela permet une quantification de l'incertitude principielle et une agrégation de modèles plus robuste à travers des silos de données hétérogènes et respectueux de la vie privée.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Bayesian Federated Learning (Probabilistic Federated Model Aggregation). ScholarGate. https://scholargate.app/fr/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.
- Régression logistique bayésienneBayésien↔ compare
- Apprentissage par transfert bayésienApprentissage automatique↔ compare
- Apprentissage FédéréProtection de la vie privée↔ compare
- Processus GaussienApprentissage automatique↔ compare
- Apprentissage fédéré semi-superviséApprentissage automatique↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →