返回
Exploring personalized federated learning from a distribution-based perspective
DOI:10.1016/j.patcog.2026.113774.png)
摘要
En 中文
• 介绍了一种基于分布的贝叶斯PFL框架,超越了高斯假设。 • 采用秩-1参数化来降低计算和内存开销。 • 模型组特异性后验族以更好地捕捉异构客户端模式。 • 提供理论证明表明秩-1推断保留了局部方差结构。 • 在多个联邦基准测试中实现了更优的准确性和校准。
Keyword:
Federated learning
Bayesian inference
Uncertainty quantification
AI总结
对已上传原文的论文进行重点信息的提取,主要内容包括:简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
7.6
论文数:
1.3W
被引数:
4.5W
机构
引用论文
FedGES: A Federated Learning Approach for Bayesian Network Structure LearningFedGES: 一种用于贝叶斯网络结构学习的联邦学习方法
Machine Learning
IF2.9
Gradient-based learning applied to document recognition基于梯度的学习在文档识别中的应用
PROCEEDINGS OF THE IEEE
IF25.9
没有更多内容

