Bayesovsko federalizirano učenje
Bayesovsko federalizirano učenje kombinira federalizirano učenje — gdje se obuka modela distribuira na više klijenata bez dijeljenja sirovih podataka — s Bayesovskim zaključivanjem, tako da svaki klijent održava posteriornu distribuciju nad parametrima modela umjesto jedne točkaste procjene. Ovo omogućuje principijelno kvantificiranje nesigurnosti i robusnije agregiranje modela preko heterogenih, privatnost čuvajućih podatkovnih silosa.
Pročitajte cijelu metodu
Prijavite se besplatnim računom kako biste pročitali ovaj odjeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Bayesian Federated Learning (Probabilistic Federated Model Aggregation). ScholarGate. https://scholargate.app/hr/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.
- Bayesovska logistička regresijaBayesovska statistika↔ compare
- Bayesovsko prijenosno učenjeStrojno učenje↔ compare
- Federalizirano učenjePrivatnost↔ compare
- Gaussovi procesiStrojno učenje↔ compare
- Polu-nadgledano federativno učenjeStrojno učenje↔ compare
Citirana u
Uočili ste pogrešku na ovoj stranici? Prijavite je ili predložite ispravak →