Feb, 2024

联邦贝叶斯网络集成

PDF
TL;DR我们探讨了联邦集成贝叶斯网络在一系列实验中的应用，与本地训练模型和使用 VertiBayes 进行训练的模型进行了性能比较，结果表明 FBNE 在绝大多数情况下优于本地模型，在保持类似性能的同时显著提高了训练速度，是联邦学习工具箱中潜在有用的工具，特别适用于局部人口偏见严重或各方人口规模不平衡的情况。我们还讨论了该方法在时间复杂度、模型准确性、隐私保护和模型可解释性方面的优缺点。
federated learningensemble-based learningfederated ensemblesbayesian networksfbne
发现论文，激发创造
  • FedBE：将贝叶斯模型集成应用于联合学习

    本文提出一种名为 FedBE 的基于贝叶斯推理的聚合算法，将局部模型聚合成全局模型，使得在非独立同分布数据和深度神经网络方面具有更强的表现，而该方法与最近关于正则化用户模型训练的研究兼容，可以轻松应用于联邦学习算法的 Aggregation 模块。

    Sep, 2020

  • 贝叶斯非参数联邦学习神经网络

    本文介绍了一种 Bayesian nonparametric framework，用于 federated learning 问题，其通过 neural networks 对每个数据服务器提供的本地权值进行建模，并且提出了一种推理方法，以在单个通信回合或很少的通信回合中合成更多表达性的全局网络。这种方法在两个流行的图像分类数据集的 federated learning 问题上得到了很好的应用效果。

    May, 2019

  • 如何在联邦学习中结合变分贝叶斯网络

    该研究旨在探讨如何在联邦学习中结合变分贝叶斯网络，为不同聚合设置提供基准，并从三个图像分类数据集的实证结果中观察聚合分布的扩展程度对学习过程的影响。

    Jun, 2022

  • 贝叶斯联邦学习：综述

    本文是一项关于贝叶斯联邦学习（BFL）的问题与应用的调查研究，旨在解决分布式基础设施、通信、计算和隐私保护等问题，讨论客户端、服务端和基于 FL 的 BFL 方法，并提出了 BFL 研究的未来发展方向。

    Apr, 2023

  • Fed-ensemble：在联邦学习中通过模型集成来提高泛化能力

    本文提出 Fed-ensemble: 一种将模型集成应用于联邦学习的简单方法，其通过随机排列更新一组 K 个模型，然后通过模型平均获得预测结果，证明了在神经切线核环境下新数据的预测来自所有 K 个模型的相同预测后验分布，并通过实验证明其在联邦学习算法中具有出色的性能，特别是在常见的异构设置中表现突出。

    Jul, 2021

  • 变分贝叶斯与联邦连续学习

    通过引入联邦贝叶斯神经网络（FedBNN）的连续框架，本研究通过将本地和历史数据分布的知识持续集成到单个模型中，从而在学习新的数据分布的同时保留了对历史分布的性能，实现了在联邦学习和持续学习中降低遗忘的最先进结果。

    May, 2024

  • 集成联邦学习：一种协作性肺炎诊断方法

    通过集成联邦学习方法，在医疗图像数据集隐私保护的前提下，在胸部 X 线图像中取得了 96.63％的准确度，并在文献中与其他方法取得了相当竞争性的结果。

    Dec, 2023

  • 基于神经网络的新型不平衡和非独立同分布数据的联邦学习系统

    通过提出集中式的、基于神经网络的联邦学习系统，利用边缘计算减少中央服务器的负载，同时在各种数据分布设置中相对于一些现有基准算法取得令人满意的性能。

    Nov, 2023

  • 个性化联邦学习参数选择的贝叶斯神经网络

    提出了一种个性化的联邦学习方法，在神经网络的元素级别进行个性化参数选择，利用贝叶斯神经网络和提供的不确定性来指导参数选择，实验证明该方法在多个真实数据集上优于现有基线模型。

    Feb, 2024

  • FedEmb: 基于网络和特征嵌入聚合的垂直和混合联邦学习算法

    本文提出了一种名为 FedEmb 的泛化算法，用于建模垂直和混合 DNN 学习，通过提高推理准确性、增强隐私保护性质以及降低客户端与服务器通信带宽需求，该方法在处理分散问题时展现出了显著的 0.3% 至 4.2% 推理准确性的提升，并减少了 88.9% 的时间复杂度相对于垂直基线方法。

    Nov, 2023