Bayesowskie uczenie federacyjne
Bayesowskie uczenie federacyjne łączy uczenie federacyjne — gdzie trenowanie modelu jest rozproszone pomiędzy wielu klientów bez udostępniania surowych danych — z wnioskowaniem bayesowskim, tak że każdy klient utrzymuje rozkład a posteriori parametrów modelu, a nie pojedyncze oszacowanie punktowe. Zapewnia to zasadniczą kwantyfikację niepewności i bardziej odporną agregację modeli w heterogenicznych, chroniących prywatność silosach danych.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
Źródła
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Bayesian Federated Learning (Probabilistic Federated Model Aggregation). ScholarGate. https://scholargate.app/pl/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.
- Regresja logistyczna bayesowskaStatystyka bayesowska↔ compare
- Uczenie transferowe bayesowskieUczenie maszynowe↔ compare
- Uczenie federacyjnePrywatność↔ compare
- Proces GaussaUczenie maszynowe↔ compare
- Półnadzorowane uczenie federacyjneUczenie maszynowe↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →