Байесовское федеративное обучение
Байесовское федеративное обучение (Bayesian Federated Learning, BFL) сочетает федеративное обучение — при котором обучение модели распределяется между несколькими клиентами без обмена необработанными данными — с байесовским выводом, так что каждый клиент поддерживает апостериорное распределение над параметрами модели, а не единственную точечную оценку. Это обеспечивает принципиальное количественное определение неопределенности и более надежную агрегацию моделей в гетерогенных, сохраняющих конфиденциальность разрозненных данных.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Источники
- 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 ↗
Как цитировать эту страницу
ScholarGate. (2026, June 3). Bayesian Federated Learning (Probabilistic Federated Model Aggregation). ScholarGate. https://scholargate.app/ru/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.
- Байесовская логистическая регрессияБайесовские методы↔ compare
- Байесовский перенос знанийМашинное обучение↔ compare
- Федеративное обучениеКонфиденциальность↔ compare
- Гауссовский процессМашинное обучение↔ compare
- Полуавтономное федеративное обучениеМашинное обучение↔ compare
Упоминается в
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →