Bayes-féle szövetségi tanulás
A Bayes-féle szövetségi tanulás (Bayesian Federated Learning) egyesíti a szövetségi tanulást – ahol a modellképzés több kliensen oszlik meg anélkül, hogy a nyers adatokat megosztanák – a Bayes-féle következtetéssel, így minden kliens a modellparaméterekre vonatkozóan egy utóeloszlást (posterior distribution) tart fenn ahelyett, hogy egyetlen pontbecslést alkalmazna. Ez elvileg megalapozott bizonytalanságkvantifikálást és robusztusabb modellaggregációt eredményez a heterogén, adatvédelmi szempontból biztonságos adat-silo-k között.
A teljes módszer elolvasása
Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.
Method map
The neighbourhood of related methods — select a node to explore.
Források
- 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 ↗
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 3). Bayesian Federated Learning (Probabilistic Federated Model Aggregation). ScholarGate. https://scholargate.app/hu/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.
- Bayes-féle logisztikus regresszióBayes-statisztika↔ compare
- Bayesian Transfer LearningGépi tanulás↔ compare
- Federated LearningAdatvédelem↔ compare
- Gauss-folyamatGépi tanulás↔ compare
- Félfelügyelt szövetségi tanulásGépi tanulás↔ compare
Hivatkozik rá
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →