เปรียบเทียบวิธี

	การเรียนรู้แบบสหพันธ์ที่ทนทาน	การเรียนรู้แบบสหพันธ์แบบเบย์ (Bayesian Federated Learning)
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2017	2019
ผู้ริเริ่ม	Blanchard, P.; El Mhamdi, E. M.; Guerraoui, R.	Yurochkin, M. et al.; McMahan, H. B. et al. (foundational federated learning)
ประเภท	Distributed learning with Byzantine-tolerant aggregation	Probabilistic federated ensemble
แหล่งต้นตำรับ	Blanchard, P., El Mhamdi, E. M., Guerraoui, R., & Stainer, J. (2017). Machine Learning with Adversaries: Byzantine Tolerant Gradient Descent. Advances in Neural Information Processing Systems, 30.	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.
ชื่อเรียกอื่น	Byzantine-robust federated learning, fault-tolerant federated learning, robust FL, Byzantine-tolerant distributed learning	BFL, probabilistic federated learning, Bayesian nonparametric federated learning, federated Bayesian inference
ที่เกี่ยวข้อง	6	5
สรุป	Robust Federated Learning extends standard federated learning with Byzantine-tolerant aggregation rules that protect the global model against malicious, corrupted, or unreliable clients. Instead of naively averaging client gradients, robust aggregation methods such as coordinate-wise median or Krum filter out harmful updates so that a minority of adversarial participants cannot derail training.	Bayesian Federated Learning combines federated learning — where model training is distributed across multiple clients without sharing raw data — with Bayesian inference, so that each client maintains a posterior distribution over model parameters rather than a single point estimate. This yields principled uncertainty quantification and more robust model aggregation across heterogeneous, privacy-preserving data silos.