关键词pac-bayesian generalization bound
搜索结果 - 2
- 贝叶斯与 PAC-Bayesian 深度神经网络集成
贝叶斯神经网络通过学习模型参数的后验分布来解决认知不确定性问题。使用该后验进行抽样和加权网络,从而形成一个被称为贝叶斯集合的集合模型。相对于个别网络,深度集合可以受益于误差抵消效应,提高预测性能。本文论证了贝叶斯集合的抽样和加权方法并不适合 - 具有非平凡泛化界限的联邦学习
我们提出了一种在联邦学习中训练随机预测器的新策略,其中网络的每个节点通过发布本地预测器并保密其训练数据集来保护隐私。我们构建了一个全局随机预测器,它在 PAC-Bayesian 广义界限的意义下继承了本地私有预测器的属性。我们考虑同步情况,