Pembelajaran Bersekutu Bayesian
Pembelajaran Bersekutu Bayesian menggabungkan pembelajaran bersekutu — di mana latihan model diedarkan merentas berbilang klien tanpa perkongsian data mentah — dengan inferens Bayesian, supaya setiap klien mengekalkan taburan posterior ke atas parameter model berbanding anggaran titik tunggal. Ini menghasilkan kuantifikasi ketidakpastian yang berprinsip dan agregasi model yang lebih teguh merentas silo data yang heterogen dan memelihara privasi.
Baca kaedah sepenuhnya
Log masuk dengan akaun percuma untuk membaca bahagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- 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 ↗
Cara memetik halaman ini
ScholarGate. (2026, June 3). Bayesian Federated Learning (Probabilistic Federated Model Aggregation). ScholarGate. https://scholargate.app/ms/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.
- Regresi Logistik BayesianBayesian↔ compare
- Pembelajaran Pindahan BayesianPembelajaran Mesin↔ compare
- Pembelajaran BersekutuPrivasi↔ compare
- Gaussian ProcessPembelajaran Mesin↔ compare
- Pembelajaran Bersekutu Separuh Selia (Semi-supervised Federated Learning)Pembelajaran Mesin↔ compare
Dirujuk oleh
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →