Bajesiešu federatīvā apmācība
Bajesiešu federatīvā apmācība apvieno federatīvo apmācību — kur modeļa apmācība tiek sadalīta starp vairākiem klientiem, neapmainoties ar neapstrādātiem datiem — ar Bajesiešu secināšanu, lai katrs klients uzturētu a posteriori sadalījumu modeļa parametriem, nevis vienu punktveida novērtējumu. Tas nodrošina principiālu nenoteiktības kvantifikāciju un robustāku modeļa agregāciju heterogēnās, privātumu saglabājošās datu silosās.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Bayesian Federated Learning (Probabilistic Federated Model Aggregation). ScholarGate. https://scholargate.app/lv/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.
- Bayesiskā loģistikā regresijaBajesa metodes↔ compare
- Bayesisk pārsūtīšanas apguveMašīnmācīšanās↔ compare
- Federatīvā apmācībaPrivātums↔ compare
- Gausa processMašīnmācīšanās↔ compare
- Puss-uzraudzīta federatīvā apmācībaMašīnmācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →