BriefGPT - AI 论文速递
·
减小自适应无偏客户抽样的方差以探索联邦优化
💡
原文中文，约300字，阅读约需1分钟。
📝
内容提要
本文介绍了一种名为pFedBayes的新型个性化联合学习方法，采用贝叶斯变分推理来减轻模型过拟合的问题，并通过平衡私有数据的构造误差来更新其本地分布参数。实验结果表明，该方法在个性化模型方面表现出色，在MNIST、FMNIST和CIFAR-10上分别比其他SOTA算法的结果更好，分别提高了1.25%、0.42%和11.71%。
🎯
关键要点
-
提出了一种名为pFedBayes的新型个性化联合学习方法。
-
采用贝叶斯变分推理来减轻模型过拟合的问题。
-
通过引入权重不确定性，更新本地分布参数以平衡私有数据的构造误差。
-
理论分析说明了平均泛化误差的上界和收敛速度。
-
实验结果显示pFedBayes在个性化模型方面表现出色。
-
在MNIST、FMNIST和CIFAR-10上，pFedBayes分别比其他SOTA算法提高了1.25%、0.42%和11.71%。
➡️
